徐乃岳 凌晨 劉坤

摘?要：

基于貝葉斯網(wǎng)絡構建貝葉斯加權模型，進行重癥監(jiān)護病房（Intensive?Care?Unit，ICU）急性腎損傷患者死亡風險預測。以MIMIC＼|Ⅲ（Medical?Information?Mark?for?Intensive?Care?Ⅲ）數(shù)據(jù)庫中急性腎損傷患者為研究對象，建立基礎貝葉斯分類器，采用AUC（Area?Under?Curve）和Accuracy進行混合加權計算的集成策略構建貝葉斯加權模型。實驗結果表明，貝葉斯加權模型的AUC值為80.8%、Accuracy值為73.2%、F1＼|score值為72.4%，預測效果優(yōu)于單獨的貝葉斯網(wǎng)絡模型、邏輯回歸、支持向量機和隨機森林。貝葉斯加權模型具有可解釋的概率推理流程，對ICU急性腎損傷患者的死亡風險預測有一定的參考價值。

關鍵詞：貝葉斯網(wǎng)絡；急性腎損傷；死亡風險；模型解釋；集成模型

中圖分類號：TP391??文獻標志碼：A

0?引言（Introduction）

急性腎損傷（Acute?Kidney?Injury，?AKI）是一種由多種病因引起的病癥，其特征表現(xiàn)為血清肌酐濃度升高或者尿量減少［1＼|3］。近年來，AKI的發(fā)病率以驚人的速度增長，因患有AKI而致死的患者人數(shù)一直居高不下［4＼|5］。AKI患者的住院死亡率為20%～25%，在ICU中可能高達50%［6＼|9］。世界每年死于AKI的患者多達百萬人以上，AKI不僅是一個醫(yī)療問題，更成為一個重要的公共衛(wèi)生問題［10＼|11］。

隨著電子健康記錄（Electronic?Health?Records，?HER）可用性的完善，開發(fā)AKI風險評估預測模型成為一種應對AKI高風險的可行方式［12＼|14］。性能良好且可靠的風險預測模型應能夠及早識別高?；颊?，輔助臨床醫(yī)生進行進一步的診斷并提示預防和治療措施。

1?相關工作（Related?work）

隨著機器學習技術的發(fā)展，越來越多的研究者將機器學習技術用于患者的風險預測。相較于傳統(tǒng)的統(tǒng)計學方法和普遍的邏輯回歸算法，使用機器學習方法可以最大限度地利用HER進行預測，能夠識別對于預測貢獻較為顯著的信號提高算法模型性能［15＼|17］。醫(yī)學人員可以使用機器學習技術快速評估大量復雜的數(shù)據(jù)，用于預測臨床風險。

可靠的AKI患者風險評分系統(tǒng)對于預測AKI患者的預后，以及為臨床研究提供患者嚴重程度分層非常重要。然而，對于危重癥患者的一般嚴重程度評分方法，例如急性生理學和慢性健康評估（APACHE）［18］、簡化急性生理學評分（SAPS）［19］、序貫器官衰竭評估（SOFA）［20］等，在預測AKI患者死亡率的準確性方面效果不佳［21＼|23］。隨著人工智能（Artificial?Intelligence，?AI）技術的發(fā)展，AKI預測的新時代已經(jīng)到來［24＼|25］。機器學習技術在處理大數(shù)據(jù)集時有著顯著優(yōu)勢，在醫(yī)療領域的應用正在迅速擴大，例如已在臨床輔助診斷中成功應用［26＼|27］。醫(yī)學領域常用的線性回歸算法雖然模型本身具備較高的可解釋性，但是預測性能往往不夠理想［28］。貝葉斯分類器屬于可解釋模型的一種，在具有一定可解釋性的同時，還有著較好的預測性能，已在醫(yī)學環(huán)境中得到使用［29］。

危重患者的護理負擔是巨大的，重癥監(jiān)護的基礎是使用一種科學的風險分層方法，按照一定標準對患者進行分類，優(yōu)化個人護理方案。傳統(tǒng)方法是醫(yī)生根據(jù)自己的臨床經(jīng)驗使用基于規(guī)則的一般嚴重程度評分進行預測，效果較差，相比之下，使用機器學習方法可以幫助醫(yī)生得到更好的預測效果。LIN等［30］通過19?044例AKI患者的數(shù)據(jù)構建了一種隨機森林預測死亡率模型，可預測AKI患者的死亡率，該模型可避免高?；颊逜KI治療的延誤。KOYNER等［31］開發(fā)了一種梯度增強模型，該模型可以預測急診科、病房和ICU的AKI，并允許對高風險患者進行早期干預。LIN等［32］使用SVM（Support?Vector?Machine）算法構建ICU急性腎損傷患者的死亡風險預測模型，該模型的性能比SAPSⅡ（Simplified?Acute?Physiology?ScoreⅡ）方法的性能好，并且當患者的死亡風險不確定時，SVM的性能優(yōu)勢更顯著。在當前臨床醫(yī)療信息化程度很高的背景下，利用機器學習算法能夠有效地幫助臨床醫(yī)生提高診療質量，具有較高的臨床應用價值。然而，目前專注于使用機器學習模型預測ICU中AKI患者死亡風險的研究并不多。

本研究借鑒集成學習方法，基于貝葉斯分類器構建集成模型，建立4個貝葉斯分類模型作為基礎模型，以AUC與Accuracy的混合計算作為權重，通過對預測概率進行加權計算建立貝葉斯加權模型。本研究利用MIMIC＼|Ⅲ中AKI患者的醫(yī)學數(shù)據(jù)建立死亡風險預測模型，目的是輔助ICU的醫(yī)生對AKI患者進行早期的風險預測，區(qū)分高?；颊撸愿玫胤峙溽t(yī)療資源［33］。

2?數(shù)據(jù)與方法（Data?and?methods）

2.1?數(shù)據(jù)

從國際疾病分類（ICD）中查找AKI的疾病代碼，提取MIMIC＼|Ⅲ數(shù)據(jù)庫中AKI患者的生理信息，篩選信息并保留只進入一次ICU的患者數(shù)據(jù)?；诨颊叩谝淮稳朐旱男畔⑦M行研究，挑選出進入ICU后24?h內的生理數(shù)據(jù)并對篩選過程中產(chǎn)生的數(shù)據(jù)表格進行聚合處理。數(shù)據(jù)獲取及預處理如圖1所示。

數(shù)據(jù)庫中篩選的實驗數(shù)據(jù)存在部分缺失值，根據(jù)患者信息提供的各項生理數(shù)據(jù)進行篩選，去除缺失率在30%以上的數(shù)據(jù)，最后得到15個主要的生物標志物和3?559例急性腎損傷患者，其中生存患者有3?176例、死亡患者有383例，數(shù)據(jù)類別不平衡現(xiàn)象較為突出。

表1為變量信息及級別，從皮爾遜相關系數(shù)中可以看出，大多數(shù)變量與患者結局顯著相關，但是不具備明顯線性關系，普通的線性分析方法難以發(fā)揮較好的預測效果。為了解決AKI患者數(shù)據(jù)不平衡的問題，使用Borderline?SMOTE算法進行數(shù)據(jù)均衡化處理。該算法可以對類別邊界上容易分類錯誤的數(shù)據(jù)進行重采樣，生成對分類預測更有價值的數(shù)據(jù)，以達到平衡不同類別的數(shù)據(jù)的目的。

2.2?方法

貝葉斯分類器能夠捕捉到變量之間的相互關系，尤其是在面臨部分數(shù)據(jù)缺失情況下，貝葉斯分類器仍然可以根據(jù)變量間的交互關系進行后續(xù)預測。得益于自身固有的統(tǒng)計學特點，貝葉斯分類器本身就是一種可解釋的模型，利用貝葉斯分類器構建模型進行分類預測能提升臨床醫(yī)學環(huán)境下醫(yī)護人員對模型的信賴程度。本研究分別構建了4種不同的貝葉斯分類器模型作為基礎模型并進行加權集成，最終得到貝葉斯加權模型，用于預測患者的死亡風險。圖2中展示了實驗流程，從MIMIC＼|Ⅲ數(shù)據(jù)庫中提取患者的醫(yī)療信息，首先需要對其進行數(shù)據(jù)插補、數(shù)據(jù)均衡、數(shù)據(jù)離散處理，其次基于多種貝葉斯網(wǎng)絡算法進行建模預測，最后對各模型的預測結果進行概率加權處理，得出AKI患者的死亡風險概率。

在4個貝葉斯模型的基礎上，分別使用基于AUC加權、基于Accuracy加權及AUC與Accuracy混合加權的集成策略構建貝葉斯加權模型，分別得到了AUC_BE模型、ACC_BE模型和AA_BE模型。通過AUC、Accuracy和F1＼|score?3個指標進行模型評估，從表2中發(fā)現(xiàn)在AA_BE模型的AUC與Accuracy的效果是最優(yōu)的，從集成策略上兼顧了模型的準確率和對樣本類別的區(qū)分能力，證明了由混合加權方法構建的貝葉斯加權模型的性能比單一加權方法的性能更好。經(jīng)綜合比較，本研究決定以AUC和Accuracy混合加權計算的集成策略構建貝葉斯加權模型。

不同于普通的集成策略，本文提出的模型不是基于基礎模型的預測類別的簡單決策，而是基于各個模型的AUC和Accuracy對預測概率進行混合加權計算得出最終概率。加權策略的公式如下：

其中：i表示第i個模型，n表示共有n個模型，Pi表示第i個模型得出的預測概率，WmAA（i）表示基于第i個模型的AUC和Accuracy值進行m次混合加權計算，Pout表示貝葉斯加權模型的最終預測概率，VAUC（i）表示第i個模型的AUC值，VAcc（i）表示第i個模型的ACC值，WAA（i）表示第i個模型的AUC值與ACC值的乘積?；诩蓪W習的思想，多樣的模型在共同決策的情況下可以有效地降低單一模型的錯誤預測對結果的影響，可以取得比任何一個模型都好的預測結果且魯棒性更好。

3?結果（Results）

3.1?模型評估

將貝葉斯加權模型與四種基礎貝葉斯分類器、邏輯回歸、支持向量機、隨機森林等模型在實驗數(shù)據(jù)上進行了性能對比，應用Accuracy、AUC和F1＼|score三個指標展開分析，模型性能評估結果如表3所示。

使用AUC、Accuracy和F1＼|score三種評價指標對表3中的八種方法進行性能評價，表3中的結果可以較為清晰地呈現(xiàn)模型效果之間的性能差異。AUC評價指標反映的是模型對任意一例正、負樣本的區(qū)分能力，實驗顯示AA_BE模型的AUC遠高于邏輯回歸、支持向量機和隨機森林模型的AUC，證明對于任意一例正、負樣本，AA_BE模型能獲得更好的區(qū)分效果。在數(shù)據(jù)均衡的情況下，Accuracy評價指標具有較高的參考價值，實驗結果顯示AA_BE的準確率高于其他分類器算法的準確率，證明AA_BE模型對于整體樣本的判定能力更好，能夠正確區(qū)分出更多的高風險患者。F1＼|score評價指標綜合考慮了精確率和召回率的結果，從兩個方面對模型的預測性能進行綜合分析，實驗結果顯示AA_BE模型的性能更好。

3.2?模型可解釋分析

在目前的醫(yī)學預測研究中，大多數(shù)研究關注于提高模型預測準確率，忽視了模型的可解釋性。在具有高風險的醫(yī)學領域中，模型的可解釋性比預測準確性更重要，一般的機器學習模型往往較為復雜、內部結構不夠透明、預測結果難以解釋，而貝葉斯加權模型的決策原理基于貝葉斯算法，運用概率學方法推理模型預測的全過程，同時能清楚地展現(xiàn)變量之間的依賴關系，具有更好的可解釋能力，更適用于醫(yī)學場景。

模型可以從兩個方面進行可解釋性分析。

（1）模型的內部結構

貝葉斯加權模型由4個基礎的貝葉斯分類器模型構成，每個基礎模型內部的網(wǎng)絡結構都是可見的，能清楚地展現(xiàn)出模型預測過程中潛在的特征交互關系，確保模型的透明度。

（2）模型做出預測的原因

貝葉斯加權模型的本質是一種概率圖模型，支持使用概率推理的方式進行模型預測推理和診斷推理。當模型做出與事實相反的預測時，可以從結果開始進行信息推理，稱為模型的診斷推理，能夠確保模型的可靠性。

在已知模型預測結果的情況下推理模型決策的依據(jù)，通過計算模型的最大后驗概率推理出患者特征變量的取值范圍。在醫(yī)學場景中，當醫(yī)護人員對模型的預測存在懷疑時，可以將推理值與真實情況進行對比，提升醫(yī)護人員對模型的信賴度。

4?結論（Conclusion）

為了應對AKI患者高死亡風險的嚴峻形勢，本研究借鑒集成方法的軟投票方式，利用基礎模型的預測概率值進行集成計算，從基礎模型預測的概率入手，通過模型的AUC和Accuracy混合權重，對基礎模型的預測概率進行加權計算，通過概率預測實現(xiàn)對高?；颊叩脑缙诤Y查。采用AUC、Accuracy和F1＼|score三種指標對不同的模型進行分析，貝葉斯加權模型表現(xiàn)出比邏輯回歸、支持向量機和隨機森林等模型更為優(yōu)秀的成績；在與四個基本分類器的對比中發(fā)現(xiàn)，基于AUC和Accuracy混合加權方式集成的貝葉斯加權模型比單獨的貝葉斯網(wǎng)絡模型更優(yōu)秀。此外，可以看出基于AUC和Accuracy混合加權方式建立的模型比獨立加權方式建立的模型效果更好，隨著基礎模型個數(shù)和網(wǎng)絡結構樣式的增加，貝葉斯加權模型的預測效果將會更加準確和穩(wěn)健。模型的準確率比一般機器學習模型的準確率高，具有良好的可解釋能力，比神經(jīng)網(wǎng)絡模型和集成復雜的機器學習模型更加透明，在醫(yī)學臨床場景中的使用更值得信賴，可以為ICU中AKI患者的風險預測研究提供一種新的策略。

在未來的研究工作中，將著眼于使用因果學習方法探究影響ICU急性腎損傷患者死亡率的真正風險因素，通過對風險因素進行干預的方式尋找降低患者最終死亡概率的有效方法。因果是萬物相互制約的根本原因，接下來我們會通過對因果理論的研究，賦予模型更為精準的推理方法，以更有效地助力醫(yī)學決策。

參考文獻（References）

［1］?THOMAS?M?E，BLAINE?C，DAWNAY?A，et?al.?The?definition?of?acute?kidney?injury?and?its?use?in?practice［J］.?Kidney?international，2015，87（1）：62＼|73.

［2］?KHADZHYNOV?D，SCHMIDT?D，HARDT?J，et?al.?The?incidence?of?acute?kidney?injury?and?associated?hospital?mortality［J］.?Deutsches?arzteblatt?international，2019，116（22）：397＼|404.

［3］?GAMEIRO?J，AGAPITO?FONSECA?J，JORGE?S，et?al.?Acute?kidney?injury?definition?and?diagnosis：a?narrative?review［J］.?Journal?of?clinical?medicine，2018，7（10）：307.

［4］?LEVEY?A?S，JAMES?M?T.?Acute?kidney?injury［J］.?Annals?of?internal?medicine，2017，167（9）：ITC66.

［5］?KASHANI?K，CHEUNGPASITPORN?W，RONCO?C.?Biomarkers?of?acute?kidney?injury：the?pathway?from?discovery?to?clinical?adoption［J］.?Clinical?chemistry?and?laboratory?medicine，2017，55（8）：1074＼|1089.

［6］?HUANG?H?F，LIU?Y，WU?M，et?al.?Development?and?validation?of?a?risk?stratification?model?for?predicting?the?mortality?of?acute?kidney?injury?in?critical?care?patients［J］.?Annals?of?translational?medicine，2021，9（4）：323.

［7］?HANSRIVIJIT?P，QIAN?C?C，BOONPHENG?B，et?al.?Incidence?of?acute?kidney?injury?and?its?association?with?mortality?in?patients?with?COVID＼|19：a?meta＼|analysis［J］.?Journal?of?investigative?medicine：the?official?publication?of?the?american?federation?for?clinical?research，2020，68（7）：1261＼|1270.

［8］?FAUBEL?S，EDELSTEIN?C?L.?Mechanisms?and?mediators?of?lung?injury?after?acute?kidney?injury［J］.?Nature?reviews?nephrology，2016，12（1）：48＼|60.

［9］?NETWORK?V?N?A?R?F?T.?Intensity?of?renal?support?in?critically?ill?patients?with?acute?kidney?injury［J］.?New?England?journal?of?medicine，2008，359（1）：7＼|20.

［10］?HOSTE?E?A?J，KELLUM?J?A，SELBY?N?M，et?al.?Global?epidemiology?and?outcomes?of?acute?kidney?injury［J］.?Nature?reviews?nephrology，2018，14：607＼|625.

［11］WANG?Y，BELLOMO?R.?Cardiac?surgery＼|associated?acute?kidney?injury：risk?factors，pathophysiology?and?treatment［J］.?Nature?reviews?nephrology，2017，13（11）：697＼|711.

［12］?RANK?N，PFAHRINGER?B，KEMPFERT?J，et?al.?Deep＼|learning＼|based?real＼|time?prediction?of?acute?kidney?injury?outperforms?human?predictive?performance［J］.?NPJ?digital?medicine，2020，3：139.

［13］?CALVERT?J，MAO?Q?Q，HOFFMAN?J?L，et?al.?Using?electronic?health?record?collected?clinical?variables?to?predict?medical?intensive?care?unit?mortality［J］.?Annals?of?medicine?and?surgery?（2012），2016，11：52＼|57.

［14］?MARAFINO?B?J，PARK?M，DAVIES?J?M，et?al.?Validation?of?prediction?models?for?critical?care?outcomes?using?natural?language?processing?of?electronic?health?record?data［J］.?JAMA?network?open，2018，1（8）：e185097.

［15］?CHE?Z，PURUSHOTHAM?S，KHEMANI?R，et?al.?Interpretable?deep?models?for?ICU?outcome?prediction［J］.?AMIA?symposium，2016，2016：371＼|380.

［16］?POUCKE?S?V，ZHANG?Z?H，SCHMITZ?M，et?al.?Scalable?predictive?analysis?in?critically?ill?patients?using?a?visual?open?data?analysis?platform［J］.?PloS?one，2016，11（1）：e0145791.

［17］?GURM?H?S，KOOIMAN?J，LALONDE?T，et?al.?A?random?forest?based?risk?model?for?reliable?and?accurate?prediction?of?receipt?of?transfusion?in?patients?undergoing?percutaneous?coronary?intervention［J］.?PLoS?one，2014，9（5）：e96385.

［18］?KNAUS?W?A，WAGNER?D?P，DRAPER?E?A，et?al.?The?APACHE?Ⅲ?prognostic?system.?Risk?prediction?of?hospital?mortality?for?critically?Ⅲ?hospitalized?adults［J］.?Chest，1991，100（6）：1619＼|1636.

［19］?LE?G?J?R，LOIRAT?P，NICOLAS?F，et?al.?Use?of?a?severity?index?in?8?multidisciplinary?resuscitation?centers［J］.?Presse?médicale，1983，12（28）：1757.

［20］?VINCENT?J?L，MORENO?R，TAKALA?J，et?al.?The?SOFA?（Sepsis＼|related?Organ?Failure?Assessment）?score?to?describe?organ?dysfunction/failure［J］.?Intensive?care?medicine，1996，22（7）：707＼|710.

［21］?OHNUMA?T，UCHINO?S.?Prediction?models?and?their?external?validation?studies?for?mortality?of?patients?with?acute?kidney?injury：a?systematic?review［J］.?PLoS?one，2017，12（1）：e0169341.

［22］?JOHNSON?A?E?W，MARK?R?G.?Real＼|time?mortality?prediction?in?the?Intensive?Care?Unit［J］.?AMIA?symposium，2017，2017：994＼|1003.

［23］?KONG?G?L，LIN?K，HU?Y?H.?Using?machine?learning?methods?to?predict?in＼|hospital?mortality?of?sepsis?patients?in?the?ICU［J］.?BMC?medical?informatics?and?decision?making，2020，20（1）：251.

［24］?YAHYA?N，EBERT?M?A，BULSARA?M，et?al.?Statistical＼|learning?strategies?generate?only?modestly?performing?predictive?models?for?urinary?symptoms?following?external?beam?radiotherapy?of?the?prostate：a?comparison?of?conventional?and?machine＼|learning?methods［J］.?Medical?physics，2016，43（5）：2040.

［25］?RAU?C?S，KUO?P?J，CHIEN?P?C，et?al.?Mortality?prediction?in?patients?with?isolated?moderate?and?severe?traumatic?brain?injury?using?machine?learning?models［J］.?PLoS?one，2018，13（11）：e0207192.

［26］?GOLDSTEIN?B?A，NAVAR?A?M，CARTER?R?E.?Moving?beyond?regression?techniques?in?cardiovascular?risk?prediction：applying?machine?learning?to?address?analytic?challenges［J］.?European?heart?journal，2017，38（23）：1805＼|1814.

［27］?NAEMI?A，SCHMIDT?T，MANSOURVAR?M，et?al.?Machine?learning?techniques?for?mortality?prediction?in?emergency?departments：a?systematic?review［J］.?BMJ?open，2021，11（11）：e052663.

［28］?NEMATI?S，HOLDER?A，RAZMI?F，et?al.?An?interpretable?machine?learning?model?for?accurate?prediction?of?sepsis?in?the?ICU［J］.?Critical?care?medicine，2018，46（4）：547＼|553.

［29］?ZHANG?Z，ZHANG?J，WEI?Z，et?al.?Application?of?tabu?search＼|based?Bayesian?networks?in?exploring?related?factors?of?liver?cirrhosis?complicated?with?hepatic?encephalopathy?and?disease?identification［J］.?Scientific?reports，2019，9：6251.

［30］?LIN?K，HU?Y?H，KONG?G?L.?Predicting?in＼|hospital?mortality?of?patients?with?acute?kidney?injury?in?the?ICU?using?random?forest?model［J］.?International?journal?of?medical?informatics，2019，125：55＼|61.

［31］?KOYNER?J?L，CAREY?K?A，EDELSON?D?P，et?al.?The?development?of?a?machine?learning?inpatient?acute?kidney?injury?prediction?model［J］.?Critical?care?medicine，2018，46（7）：1070＼|1077.

［32］?LIN?K，XIE?J?Q，HU?Y?H，et?al.?Application?of?support?vector?machine?in?predicting?in＼|hospital?mortality?risk?of?patients?with?acute?kidney?injury?in?ICU［J］.?Health?sciences，2018，50（2）：239＼|244.

［33］?POWER?G?S，HARRISON?D?A.?Why?try?to?predict?ICU?outcomes？［J］.?Current?opinion?in?critical?care，2014，20（5）：544＼|549.

作者簡介：

徐乃岳（1999＼|），男，碩士生。研究領域：醫(yī)療數(shù)據(jù)分析。

凌?晨（1980＼|），男，博士，講師。研究領域：新媒體大數(shù)據(jù)，電子商務，智慧醫(yī)療。本文通信作者。

劉?坤（1998＼|），男，碩士生。研究領域：醫(yī)療數(shù)據(jù)分析。