An interpretable machine-learning model for predicting in-hospital mortality in patients with sepsis-associated acute kidney injury - PubMed
2 months ago
- #acute kidney injury
- #sepsis
- #machine learning
- 研究聚焦于利用机器学习预测脓毒症相关急性肾损伤（S-AKI）患者的院内死亡率。
- 回顾性分析采用MIMIC-IV 3.0数据库和宁夏医科大学的前瞻性队列数据。
- 训练了五种机器学习模型，其中XGBoost表现最优（AUC 0.8799）。
- 关键预测指标包括SAPS II评分、AKI分期、氧合指数及血清钠、血尿素氮等生化标志物。
- SHAP分析提升了模型可解释性，明确了影响死亡风险的关键临床变量。
- 外部验证证实XGBoost模型对S-AKI预后预测具有稳健性和临床适用性。