呼吸机相关肺炎(VAP)是重症监护病房(ICU)的机械通气(MV)的患者中医院获得的主要肺炎[1]。最近的研究表明,在MV的ICU患者中,VAP发病率可以达到24%-39%[2],死亡率跨度为25%至50%[3]。VAP显着负担医疗保健系统,导致医疗支出增加,ICU停留时间更长和ICU死亡率更高[4]。因此,开发和部署精确且可靠的临床工具来评估VAP患者死亡率风险不仅在促进早期临床决策中起着重要作用,而且在合理的现有医疗资源分配方面发挥了重要作用[5]。在临床实践中,许多疾病严重程度评分系统,例如急性生理学评分(APS III),简化的急性生理评分(SAPS II),逻辑器官功能障碍系统(LODS)和牛津疾病的急性疾病急性疾病急性严重分数(OASIS),可用于ICU患者的风险评估[3]。然而,由于其复杂性和耗时的计算,通常使用APS III和SAPS II等评分系统对临床操作施加了额外的攻击。此外,这些评分系统的特异性通常是次要的,因为它们主要评估ICU患者状况的总体严重程度,并且可能无法有效预测VAP患者的死亡风险。一项荟萃分析表明,已经采用了各种ML技术来开发VAP的早期预测模型,其中大多数证明了有希望的预测性能[8]。近年来,人工智能的快速发展(AI),尤其是机器学习(ML),人们对其在临床应用中的巨大潜力引起了巨大的兴趣,逐渐转化了重症监护医学并推进了精确医学的发展[6,7]。尽管如此,仍然很少有预测模型指定了VAP患者中住院内死亡风险的规定[9]。本研究旨在开发一个有效的ML模型,以根据重症监护IV(MIMI-C-IV)数据库的医学信息MART预测VAP患者的院内死亡率风险,并通过外部测试来验证该模型的普遍性。更重要的是,Shapley添加说明(SHAP)被用来产生可解释的预测结果,并开发了一种基于Web的工具来促进有效的风险评估,从而使医疗保健专业人员能够做出更有效的临床决策。
主要关键词