$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Datenquelle und Ethikerklärung
Diese retrospektive Studie nutzte Daten aus der MIMIC-IV (Version 3.1), einer öffentlich zugänglichen, de-identifizierten Intensivmedizin-EHR-Datenbank, die auf PhysioNet gehostet wird. Die Datenbank enthält demografische Informationen, Vitalzeichen, Labortests, Diagnosen, Verfahren und Medikamente.
Der Zugang zu MIMIC-IV erfordert eine akkreditierte Autorisierung sowie die Einhaltung der PhysioNet-Datennutzungsvereinbarung und der Schulungsanforderungen. Die Ermittler absolvierten die erforderliche Schulung und erhielten Zugang (Zertifikatsnummer: 68351548). Da die Datenbank de-identifiziert ist, analysierte diese Studie anonymisierte Daten und beinhaltete keinen direkten Kontakt mit Patienten; daher war eine informierte Einwilligung nicht erforderlich. Der vollständige, schrittweise ausführbare Modellierungs-Workflow ist in Abbildung 1 dargestellt.
Abbildung 1. Gesamtmodellierung des Ablaufs für Osteoporose (OP) Risikovorhersage bei Patienten mit Diabetes. Schematische Darstellung der Studienpipeline, einschließlich Kohortenidentifikation, Datenextraktion, Feature Engineering, Multi-Modell-Benchmarking, Modellauswahl basierend auf Validierungsleistung und SHAP-basierter Interpretierbarkeit des Endmodells. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Untersuchung von Population und Datenextraktion
Die Daten wurden aus der Medical Information Mart for Intensive Care IV (MIMIC-IV) Datenbank mit einem Datenbankmanagement-Tool extrahiert. Um die Reproduzierbarkeit zu gewährleisten, werden die genauen SQL-Abfragen, einschließlich Tabellennamen und Filterungslogik für die Kohortenabrufe, in Supplementary File 1 bereitgestellt. Erwachsene Patienten (≥18 Jahre alt), bei denen Diabetes mellitus diagnostiziert wurde, wurden mit ICD-9-Codes (249, 250) und ICD-10 (E08–E13) identifiziert. Das primäre Ergebnis, OP, wurde mit ICD-9-Codes (733.x) und ICD-10-Codes (M80, M81, M82) definiert. Innerhalb der anfänglich zulässigen diabetischen Kohorte (n = 46.226) wurden 3.672 positive Ereignisse (Patienten mit OP) und 42.554 negative Ereignisse (Patienten ohne OP) identifiziert. Ein detailliertes Flussdiagramm zur Patientenauswahl und Abnutzung ist in Abbildung 2 dargestellt.
Abbildung 2. Flussdiagramm der Patientenauswahl und Kohortenstruktur. Das Flussdiagramm veranschaulicht die schrittweise Kohortenableitung aus der MIMIC-IV (v3.1)-Datenbank. Erwachsene Patienten mit Diabetes mellitus wurden mit ICD-Codes identifiziert, gefolgt vom Ausschluss von Patienten mit Alter & LT; 18 Jahre, fehlende kritische Daten & gt; 30 % oder ungültige Unterlagen. Die letzte Kohorte wurde in OP (positive Ereignisse) und Nicht-OP (negative Ereignisse) unterteilt. Das Klassenungleichgewicht wurde mittels zufälliger Unterstichprobe behoben und SMOTE auf die Trainingsdaten angewendet, bevor die stratifizierte Datensatzaufteilung durchgeführt wurde. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Feature-Engineering
Um ein faires Benchmarking über mehrere ML-Algorithmen hinweg und eine präzise Reproduzierbarkeit sicherzustellen, wurde eine identische Abfolge von Vorverarbeitungsschritten angewendet: Merkmalauswahl, fehlende Wert-Imputation, kontinuierliche Merkmalskalierung, Klassenbalancierung und Datensatzaufteilung. Die vollständige Liste der Eingabefunktionen, einschließlich Variablennamen, Einheiten und Datenquellen, ist in Tabelle 1 detailliert dargestellt.
| Merkmale | Gesamt
(n = 14.688) | Trainingsset
(n = 9.546) | Validierungsmenge
(n = 2.204) | Testsatz
(n = 2.938) | P-Wert |
| Geschlecht | | | | | 0.345 |
| Männlich | 6222 (42.36%) | 4045 (42.37%) | 935 (42.42%) | 1242 (42.27%) | |
| Weiblich | 8466 (57.64%) | 5501 (57.63%) | 1269 (57.58%) | 1696 (57.73%) | |
| Alter | 0,28 (−0,40, 0,94) | 0,28 (−0,43, 0,94) | 0,23 (−0,46, 0,89) | 0,28 (−0,39, 0,95) | 0.1655 |
| Rote Blutkörperchen | −0,14 (−0,79, 0,49) | −0,13 (−0,79, 0,49) | −0,17 (−0,83, 0,48) | −0,14 (−0,76, 0,49) | 0.3641 |
| Hämatokrit | −0,14 (−0,81, 0,52) | −0,13 (−0,80, 0,52) | −0,14 (−0,87, 0,51) | −0,16 (−0,81, 0,52) | 0.3709 |
| Hämoglobin | −0,12 (−0,79, 0,52) | −0,12 (−0,79, 0,51) | −0,15 (−0,86, 0,53) | −0,13 (−0,78, 0,52) | 0.3616 |
| RDW | −0,16 (−0,59, 0,45) | −0,17 (−0,59, 0,46) | −0,14 (−0,59, 0,45) | −0,17 (−0,60, 0,42) | 0.5803 |
| Phosphat | −0,14 (−0,60, 0,38) | −0,15 (−0,61, 0,38) | −0,11 (−0,57, 0,38) | −0,13 (−0,56, 0,34) | 0.415 |
| MCV | 0,05 (−0,50, 0,63) | 0,06 (−0,50, 0,65) | 0,03 (−0,49, 0,65) | 0,02 (−0,50, 0,59) | 0.5408 |
| Magnesium | −0,10 (−0,52, 0,37) | −0,10 (−0,52, 0,37) | −0,10 (−0,52, 0,37) | −0,09 (−0,50, 0,37) | 0.7797 |
| Weiße Blutkörperchen | −0,16 (−0,47, 0,21) | −0,16 (−0,47, 0,20) | −0,15 (−0,48, 0,25) | −0,16 (−0,46, 0,20) | 0.6856 |
| Anionenlücke | −0,12 (−0,64, 0,45) | −0,13 (−0,64, 0,45) | −0,07 (−0,61, 0,48) | −0,13 (−0,64, 0,45) | 0.1217 |
| Kreatinin | −0,30 (−0,48, 0,01) | −0,30 (−0,48, 0,01) | −0,30 (−0,46, 0,01) | −0,30 (−0,48, −0,00) | 0.3323 |
| MCH | 0,11 (−0,48, 0,62) | 0,12 (−0,48, 0,62) | 0,11 (−0,47, 0,62) | 0,09 (−0,48, 0,61) | 0.5195 |
| Thrombozytenzahl | −0,09 (−0,61, 0,49) | −0,09 (−0,61, 0,49) | −0,08 (−0,62, 0,47) | −0,10 (−0,62, 0,48) | 0.9709 |
| MCHC | −0,00 (−0,59, 0,59) | −0,00 (−0,60, 0,59) | −0,00 (−0,57, 0,58) | 0,00 (−0,57, 0,60) | 0.9263 |
| Chlorid | 0,05 (−0,54, 0,64) | 0,05 (−0,52, 0,65) | 0,03 (−0,59, 0,62) | 0,07 (−0,52, 0,62) | 0.4675 |
| Kalium | −0,07 (−0,67, 0,53) | −0,09 (−0,67, 0,53) | −0,07 (−0,67, 0,53) | −0,07 (−0,62, 0,53) | 0.3071 |
| Natrium | 0,05 (−0,56, 0,60) | 0,05 (−0,55, 0,60) | −0,00 (−0,60, 0,60) | 0,07 (−0,57, 0,61) | 0.3492 |
| Harnstoffstickstoff | −0,28 (−0,60, 0,29) | −0,28 (−0,60, 0,29) | −0,26 (−0,59, 0,31) | −0,28 (−0,59, 0,25) | 0.6826 |
| Gesamtcalcium | 0,02 (−0,61, 0,59) | 0,02 (−0,61, 0,59) | −0,01 (−0,59, 0,56) | 0,01 (−0,61, 0,60) | 0.8203 |
Tabelle 1. Basismerkmale und technische Merkmale der Studienkohorte. Kategoriale Variablen werden als n (%) dargestellt. Stetige Variablen werden als Median (Interquartilbereich) standardisierter Werte dargestellt. P-Werte wurden berechnet, um die Verteilungen über die Trainings-, Validierungs- und Testsets mit geeigneten statistischen Tests zu vergleichen.
Kontinuierliche Variablen mit wiederholten Messungen wurden anhand des arithmetischen Mittelwerts innerhalb des gesamten Intensivaufenthaltszeitraums aggregiert, um pro Patient einen einzigen Merkmalsvektor zu erhalten. Variablen mit einer Fehlwirkungsrate von über 30 % wurden ausgeschlossen. Für die verbleibenden numerischen Variablen wurden fehlende Werte mit dem K-Nearest Neighbors (KNN)-Algorithmus (n_neighbors = 5, Gewichte = 'einheitlich') imputiert. Kategoriale Variablen wurden mit der häufigsten Kategorie imputiert und anschließend mittels binärer Abbildung transformiert, wobei alle unsichtbaren Kategorien einen Vektor von Nullstellen zugewiesen erhielten.
Kontinuierliche Variablen wurden mit der z-Score-Skalierungsformel standardisiert (). Merkmale mit null Varianz wurden vor der Skalierung explizit entfernt. Alle Vorverarbeitungsparameter (μ und σ.) wurden streng auf dem Trainingsset geschätzt und konsistent auf die Validierungs- und Testsätze angewendet.
Angesichts des starken Klassenungleichgewichts (3.672 vs. 42.554) wurde eine hybride Ausgleichsstrategie ausschließlich auf die Trainingsdaten angewandt, um überhöhte Leistungsschätzungen zu vermeiden. Zunächst wurde eine zufällige Unterstichprobe verwendet, um die Mehrheits-Negativ-Klasse zu reduzieren und ein Verhältnis von 1:2 (positiv:negativ) zu erreichen (was 7.344 negative Stichproben ergibt). Anschließend wurde die Synthetic Minority Over-sampling Technique (SMOTE) auf die positive Klasse angewendet, um ein endgültiges 1:1-Balance-Verhältnis (7.344 vs. 7.344)8 zu erreichen.
Schließlich wurde die Kohorte auf Patientenebene in Trainingsgruppen (65 %), Validierungsgruppen (15 %) und Testgruppen (20 %) mittels stratifizierter Stichprobe aufgeteilt. Um alle Zufallsprozesse bei Imputation, Balancing und Spaltung streng zu kontrollieren, wurde ein globaler Zufallsseed (random_state = 42) durchgesetzt.
Modellarchitektur
Um das am besten geeignete prädiktive Modell für das OP-Risiko bei Patienten mit Diabetes zu identifizieren, wurde ein groß angelegtes Benchmarking-Framework verwendet, um 70 ML-Algorithmusvarianten unter einem identischen Datenrepräsentations- und Bewertungsprotokoll zu vergleichen. Kandidatenmodellfamilien umfassten regularisierte lineare Klassifikatoren, Support Vector Machines (SVMs), kNN, Baumensembles, Gradient Boosting-Architekturen und Mehrschicht-Perzeptronen 9,10,11,12,13,14,15,16,17.
Anstelle einer traditionellen Gittersuche wurde die Hyperparameteroptimierung durchgeführt, indem vordefinierte, robuste Konfigurationen über diese 70 Modellvarianten im Training Split ausgewertet wurden. Die Auswahl basierte ausschließlich darauf, die Fläche unter der Empfänger-Betriebscharakteristik (ROC)-Kurve (AUC) auf dem Validierungssatz zu maximieren. Das endgültig leistungsfähige Modell wurde mit n_estimators = 200 konfiguriert, wobei andere Parameter auf den Standardeinstellungen des in der Materialtabelle aufgeführten Softwarepakets blieben. Evaluationskennzahlen, darunter AUC, Genauigkeit, F1-Score, Präzision und Abruf, wurden mit einer Standard-Wahrscheinlichkeitsschwelle von 0,5 berechnet.
Zur Unterstützung der klinischen Transparenz wurde SHAP auf das ausgewählte Modell mit der TreeExplainer-Methode angewendet. Angesichts der baumbasierten Natur des endgültigen Modells wurden exakte, pfadabhängige Erwartungswerte als Hintergrundkonfiguration verwendet.