基于MIMIC-III数据库对ICU患者结局预测的研究
引言
伴随着数据挖掘技术的发展及国家对医疗领域的日渐重视，计算机技术和医疗领域相结合日益受到社会重视。在此背景下，临床医疗数据挖掘正逐渐成为热点研究领域。
其中，关于ICU患者结局预测的研究一直是该领域研究的热点，该方向的研究主要是利用计算机或数学建模方法，使用数据库数据对患者进行死亡率的预测。马京杭等[1]通过收集妊娠合并SLE患者的临床资料，训练并建立预测妊娠结局的神经网络模型，并验证具有较高的准确性。甘惠玲等[2]通过对机械通气患者的临床资料进行APACHE II评分，预测重症肺炎致急性肺损伤患者的撤机结局。Basic等[3]使用加拿大衰老临床脆弱量表的数据，通过建立数学模型预测患者结局，帮助医生进行诊断筛查。
另外，关于MIMIC-III数据库的研究主要集中于预测某种特定疾病对患者的病情影响。Mengling等[4]使用MIMIC-III数据库鉴别使用TTE和未使用TTE对患有败血症的重症患者的影响，具有重要的参考意义。张英凯[5]在国内首次使用MIMIC-III数据库在对患者结局进行预测，但其仅适用于肝脏系统功能障碍相关病患，受众人数较小。
本文利用机器学习手段，使用MIMIC-III数据库来对ICU患者结局进行预测。本研究期望通过机器学习算法建立预测模型，实现对重症监护数据库患者结局的预测，以此来辅助诊断。同时，对样本集关键特征进行分析，以判断关键样本特征对重症监护数据库结局的影响。
1 材料与方法讨论
1.1 MIMIC-III 数据库介绍
MIMIC-III：MIT麻省理工大学下属管理的一个公共临床数据库，全称为Medical Information Mart for Intensive Care，对公众免费开放，收集了2001年到2016年之间来自于BIDMC医学中心的ICU房病人数据超过5万例。包含了病人人口统计特征、基本体征记录、医疗干预记录、护理记录、影像学检测结果与出院记录等诸多医疗数据[6-7]。
1.2 样本特征
在相关医疗专家的指导下，梳理MIMIC-III数据库中的多个重要特征。选取得到的特征有血压、呼吸频率、体温、心率、血氧饱和度、动脉血氧饱和度、氧分压等。它们都用一个ITEM来表示（后文记为ITEM特征）。
在综合考虑重要程度、数据复杂性、数据缺失程度等多方面因素后，筛选出十七个关键特征：葡萄糖含量、乳酸含量、心率、无创血压-收缩压、呼吸频率、血氧饱和度、体温、动脉血氧饱和度、无创血压-舒张压、血红蛋白、钠含量（全血）、白蛋白、血肌酐、钾含量、钠含量、血红蛋白凝血酶原时间和血小板数量。其对应的ITEM标号如表1所示。
表1 ITEM标号对应的关键特征
ITEM标号 关键特征 ITEM标号 关键特征ITEM1529 葡萄糖含量 ITEM50811 血红蛋白ITEM1531 乳酸含量 TIEM50824 钠含量（全血）ITEM211 心率 ITEM50862 白蛋白ITEM455 无创血压-收缩压 ITEM50912 血肌酐ITEM618 呼吸频率 ITEM50971 钾含量ITEM646 血氧饱和度 ITEM50983 钠含量ITEM676 体温 ITEM51237 血红蛋白凝血酶原时间ITEM834 动脉血氧饱和度 ITEM51265 血小板数量ITEM8441 无创血压-舒张压
1.3 方法讨论
对患者结局的预测只有死亡或存活两类。本研究的目的在于找到最适合的算法进行分析。
在当前最流行的深度学习[8-9]、逻辑回归等七类分类算法中，我们选定了逻辑回归算法和支持向量机中的线性SVM算法进行探究，原因在于以下两个方面。
（1）逻辑回归运算速度快，简单易于理解。动态改变各个特征的权重，能容易地更新模型，吸收新的数据，可以动态调整分类域值[10]。聂竞飞等[11]通过Logistic回归分析得到自变量的权重，从而可以了解哪些要素是能够引发疾病的危险因素。Zhang[12]通过进行似然比检验的方法进行逻辑回归模型构建，从而提高模型的拟合优度。De Caigny等[13]提出一种基于逻辑回归和决策树的混合算法，以便进行数据分类。
（2）SVM可以解决小样本下机器学习的问题，提高泛化性能，解决高维、非线性问题，避免神经网络结构选择和局部极小的问题。Harris[14]使用聚类支持向量机进行信用评分，提高了分类性能水平。汤荣志等[15]对支持向量机必须的数据预处理过程的数据归一化提供了科学依据。刘忠宝等[16]提出基于分类超平面的非线性集成学习机NALM，其方法能以较少的支持向量来解决大规模样本分类问题。赵长春等[17]采用支持向量机序列最小优化算法，具有比原始算法更快的训练速度和稳定的训练结果。
图1为本文的研究流程，研究流程分为主题选定、数据预处理、数据可视化、实验验证、得出结论。
图1 研究流程
2 实验研究
首先，对MIMIC-III 数据库中的数据进行预处理，得到最终数据集。其次，通过机器学习算法（逻辑回归和线性SVM）进行ICU病房患者结局预测（存活/死亡）研究。最后，对实验结果进行总结。
2.1 数据预处理
数据清洗过程从以下几方面进行。
（1）数据清洗。MIMIC-III数据库中ICU病房记录特征值比较多。在该研究中，需要剔除历史较久远、参考价值不高、缺失较多的数据。数据清洗的目标，是得到有效的、可以直接使用的数据。
（2）特征选择。选取前文中筛选出的十七个关键特征作为研究特征。
（3）数据提取。使用SQL数据库语言进行数据提取。在进行筛选时，为防止由于存活和死亡数据量差异过大，选择患者最后一次入院记录。此外，对清洗后每一条数据追加存活判断符，零表示存活，非零表示死亡。
（4）数据整合。整理结果得到含有1400条数据的数据集（后文记为1400样本集，表2）。
表2 数据集内容
ITEM 646 97 120 2 75 114 17 96 115 154 3 91 133 17 96 133 109 1 89 121 21 98 156 122 6 73 119 22 96 195 124 1 70 110 18 98 223 114 1 79 98 21 96 234 115 2 83 106 19 98 405 113 2 82 108 22 98 419 130 2 89 102 21 97 434 115 1 110 98 18 98 SUBJECT_IDITEM 1529 ITEM 1531 ITEM 211 ITEM 455 ITEM 618
2.2 基于逻辑回归的结局预测
2.2.1 算法执行
算法过程按以下几个方面执行。
（1）数据初始化。通过识别换行符和空格符，对数据进行分割，得到每条数据的各项指标值。将处理好的数据放入一个二维数组中存储。
（2）数据归一化。指标的数量较多，且某些数据值的极差很大，容易对最终结果产生影响。进行数据归一化之后，所有的数据都规约到[0，1]区间，可以避免极差过大的影响。
（3）调节置信概率。置信概率是一个与数据和算法无关的常量，但对预测结果有直接影响。在算法执行过程中，需要多次手动调节其值，以达到最佳结果。
（4）执行逻辑回归算法。将经过（1）、（2）步骤的测试集输入模型迭代，执行得到最优法向量w和截距b，进而求出测试集的正确率。
（5）输出，每进行一次调参，即运行一次模型，记录得到的当前参数对应的预测结果。
2.2.2 输出结果及分析
输入条件为1400样本集、置信概率prob（变动范围为[0.05，0.2]）。其中对样本集进行了分割，转化处理为规范数据。输出时，每进行一次调参，即运行一次模型，记录得到的当前参数对应的预测结果。通过多次调参，得到一系列的预测结果数据（表3）。
表3 1400样本集预测结果
分类 概率置信概率prob＞x 0.05 0.1 0.15 0.2预测存活正确率 0.61 0.73 0.84 0.89预测死亡正确率 0.80 0.69 0.56 0.53
其中“置信概率prob＞x”表示“当输出结果y大于置信概率时判定为存活，否则为死亡”；“预测存活正确率”和“预测死亡正确率”分别为对预测集中存活和死亡结果判断的正确率。
将结果集绘制成图2的折线图效果，其中每条线表示各自正确率随置信概率的变化情况。当置信概率调整到合适值时，预测存活和死亡正确率相等，能达到0.7左右。
图2 样本集预测结果
2.3 基于支持向量机的结局预测
2.3.1 算法执行
算法过程从以下几个方面执行。
数据初始化。将数据按行分割，每行分为17个指标值和一个存活判断值，重新组合为二维数组。
调节超参数。内容包括：① 松弛变量C代表了模型对离群点的重视程度，C越大代表模型对离群点越重视；② 容错率toler表示模型允许错误判断占总数的百分比；③ 迭代轮数设置了算法执行时，对中间变量alpha的迭代次数。通过调节松弛变量和容错率等超参数，实现对预测结果的调节，最终影响正确率。
执行SVM算法。输入数据集和标签集，执行SVM算法，并在指定迭代轮数后，求得对应的截距b和中间变量alpha的值。然后用alpha求得法向量w。
计算正确率。通过用截距b和法向量w求得的超平面，对测试集进行预测，并求得测试集正确率。
最后进行输出，每进行一次调参，就运行一次模型，得到当前参数对应的预测结果，包括存活正确率和死亡正确率。
2.3.2 输出结果及分析
输入条件为1400样本集、松弛变量C（变动范围为[0.1，0.9]）、容错率toler（变动范围为[0.1，0.4]）。通过不断人工调节C和toler的值，得到预测正确率的变化曲线。输出时，每进行一次调参，就运行一次模型，得到当前参数对应的预测结果，包括存活正确率和死亡正确率。经过多次调参，得到一系列线性SVM预测结果值，再进行汇总和归纳后得到样本集预测结果（表4）。
表格中C为松弛变量，toler为容错率，“x/y”：x表示测试集存活正确率，y表示测试集死亡正确率。
由上表得到，当C在0.2～0.6之间时，未出现极端情况，因此选取松弛变量C=0.4，测试此时集正确率随容错率的变化（图3）。
由线性SVM的结果可知，当容错率为0.17或0.4时，二者正确率相等，都为0.5左右。显然，线性SVM也能处理判断死亡率的问题，但限制于数据本身的问题，虽然也能对数据进行分类预测，却不能达到令人满意的效果，最终准确率只能达到50%。
表4 1400样本集预测结果
C/toler 0.1 0.2 0.3 0.4 0.1 0/1 0/1 0/1 0.54/0.52 0.15 0/0.97 0/1 0.87/0.08 0.54/0.52 0.2 0.09/0.86 0.67/0.44 0.74/0.33 0.54/0.52 0.4 0.09/0.86 0.67/0.44 0.77/0.36 0.54/0.52 0.6 0.09/0.86 0.67/0.44 0.77/0.36 0.54/0.53 0.9 0.09/0.86 0.67/0.44 0.77/0.36 0.54/0.53
图3 基于支持向量机的集正确率随容错率的变化
2.4 结果
通过对以上两种算法进行实验和比较，我们可以得出以下结果。
对比分析时间，逻辑回归花费的时间最少，大约在30 s左右；线性SVM最慢，运行一次运算需要5 min。从处理速度上考虑，逻辑回归较好。
分析准确率，逻辑回归能达到70%左右的准确率；线性SVM只有50%。可见，从处理准确度上来讲，逻辑回归也较好。
综上，逻辑回归在时间和准确率上都占有很大的优势，能很好地实现对患者结局的预测。
3 可视化研究
数据可视化研究部分基于ECharts开源可视化库实现。共分为两个部分，第一部分为MIMIC-III数据库整体特征进行可视化，第二部分为特征元素可视化。
3.1 整体特征
3.1.1 存活死亡情况
根据MIMIC-III总体数据的存活死亡情况，可知存活比例占66.12%，死亡比例占33.88%（图4）。
3.1.2 男女比例情况
MIMIC-III总体数据的男女比例情况表明男性比例占43.85%，女性比例占56.15%（图5）。
图4 MIMIC-II数据库存活死亡情况
图5 MIMIC-II男女比例情况
3.2 ITEM特征
3.2.1 血小板
血小板的功能是稳定内皮细胞，防止内皮细胞被不同形式的氧化组织损伤。血小板减少是危重病患者最常见的异常指标之一[18]。
在[0，100]区间内，病死者的比例比存活者的比例高，而[100，500]区间存活者的比例较病死者的比例高（图6）。由此可知，病死者的血小板数量比存活者的血小板数量明显降低。
图6 血小板含量与存活/死亡人数的关系（1400样本集）
3.2.2 乳酸
血乳酸水平是反映危重患者组织氧供需平衡的重要指标。在危重病患者中，由于各种原因导致组织缺血缺氧，组织无氧代谢增加，进而机体组织清除乳酸能力下降，会使血乳酸水平明显升高。
乳酸含量在1～3 mmol/L区间的存活者的比例较高，乳酸含量在4 mmol/L以上的区间，病死者的比例比存活者的比例高（图7）。由此可见，病死者的乳酸含量比存活者的乳酸含量明显升高。
图7 乳酸含量与存活/死亡人数的关系（1400样本集）
3.2.3 血肌酐
血肌酐[19-20]含量在[0.6，1.5]区间的存活者的比例较病死者的比例高，血肌酐含量在[0.1，0.5]以及1.6以上区间的病死者的比例较存活者的比例高。以2800样本集为研究对象，分析血肌酐含量与存活/死亡人数（图8）。
图8 血肌酐含量与存活/死亡人数关系（2800样本集）
4 讨论与展望
本文基于MIMIC-III数据库，提取出与ICU患者结局相关的十七个关键特征。患者结局预测模型使用了两类算法：逻辑回归和线性SVM。研究结果显示，逻辑回归算法较优，准确率可达70%，且耗时短、实用性较高。同时，对提取出的关键样本特征进行可视化研究的结果显示，血小板、乳酸、血肌酐等的含量与患者结局之间具有关联性。目前模型仍存在样本量小、数据缺失等问题，建议使用更大的数据库获取大样本集，以弥补这方面的缺陷。患者结局预测模型虽然存在一定的不足，但基本上实现了对结局的初步分析以及对各种指标影响力的判断，有一定的准确性和信服力。
[1] 马京杭,张羽,吴珈悦,等.神经网络模型预测妊娠合并SLE患者的妊娠结局[J].现代妇产科进展,2019,28(2):42-45.
[2] 甘惠玲,赵双平.APACHEⅡ评分对重症肺炎致急性肺损伤患者撤机结局的预测价值[J].内科急危重症杂志,2019,25(2):123-125.
[3] Basic D,Shanley C.Frailty in an older inpatient population:USing the clinical frailty scale to predict patient outcomes.[J].J Aging Health,2016,27(4):670-685.
[4] Mengling F,Mcsparron JI,Trung KD,et al.Transthoracic echocardiography and mortality in sepsis: Analysis of the MIMIC-III database[J].Intensive Care Med,2018,44(6):884-892.
[5] 张英凯.基于机器学习的重症监护病患死亡率预测[D].成都:电子科技大学,2018.
[6] Lee J,Scott DJ,Villarroel M,et al.Open-access MIMIC-II database for intensive care research[A].Conference proceedings:Annual International Conference of the IEEE Engineering in Medicine and Biology Society[C].IEEE Engineering in Medicine and Biology Society,2011:8315-8318.
[7] Johnson AEW,Pollard TJ,Shen L,et al.MIMIC-III, a freely accessible critical care database[J].scientific Data,2016,3:160035.
[8] 李鹃.面向临床路径的常用数据挖掘方法概述[J].中国卫生产业,2018,15(27):198-199.
[9] 罗可,林睦纲,郗东妹.数据挖掘中分类算法综述[J].计算机工程,2005,31(1):3-5.
[10] 李卓冉.逻辑回归方法原理与应用[J].中国战略新兴产业,2017,(28):114-115.
[11] 聂竞飞,李玉玲.Logistic模型及其在疾病诊断领域的应用[J].统计与管理,2018,(4):72-75.
[12] Zhang Z.Model building strategy for logistic regression:Purposeful selection[J].Ann Transl Med,2016,4(6):111.
[13] De Caigny A,Coussement K,De Bock KW.A new hybrid classification algorithm for customer churn prediction based on logistic regression and decision trees[J].Eur J Oper Res,2018,269(2):760-772.
[14] Harris T.Credit scoring using the clustered support vector machine[J].Expert syst Appl,2015,42(2):741-750..
[15] 汤荣志,段会川,孙海涛.SVM训练数据归一化研究[J].山东师范大学学报(自然科学版),2016,31(4):60-65.
[16] 刘忠宝,赵文娟,师智斌.基于分类超平面的非线性集成学习机[J].计算机应用研究,2013,30(5):1361-1364.
[17] 赵长春,姜晓爱,金英汉.非线性回归支持向量机的SMO算法改进[J].北京航空航天大学学报,2014,40(1):125-130.
[18] 刘新茹,李艳荣,程爱斌,等.血糖及血小板变化对危重症患者预后的影响[J].山东医药,2006,(14):69-70.
[19] Wong F,O’Leary JG,Reddy KR,et al.Acute Kidney Injury in Cirrhosis: Baseline serum creatinine predicts patient outcomes[J].Am J Gastroenterol,2017,112(7):1075.
[20] 王萍,谢国乾,孟令龙,等.歼击飞行员血清胱抑素c、血肌酐、尿素氮检测的临床意义[J].生物技术通讯,2018,29(1):91-93.
Study on Prediction of ICU Patient’s Outcome by Exploring Public MIMIC-III Database