使用结合动态临床指标的CNN-BiLSTM模型预测儿童重症肺炎的死亡风险

万青琦|丁朝阳|涂洪迪|杨璐颖|曹良申|严朝阳|陈正荣|孙洪鹏

中国江苏省苏州市苏州医科大学公共卫生学院老年疾病与免疫学教育部重点实验室

摘要

背景

重症肺炎是5岁以下儿童死亡的主要原因之一，目前缺乏可靠的生物标志物来预警重症监护病房（ICU）中的不良后果。本研究旨在探索重症肺炎的有效预后生物标志物，并应用深度学习模型预测重症肺炎患儿的院内死亡率，从而支持临床决策。

方法

这项回顾性预后研究分析了来自儿科重症监护（PIC）数据库的5岁以下重症肺炎患儿的临床数据。根据院内死亡情况对患者进行分类。从纵向实验室数据中筛选动态生物标志物，并使用选定的生物标志物构建了基于CNN-BiLSTM的预测模型。

结果

从实验室参数中确定了11个关键的预测指标。CNN-BiLSTM模型在独立测试集上的曲线下面积（AUC）为0.956，敏感性为85.7%，特异性为92.7%。可解释性分析显示，乳酸、二氧化碳分压（pCO₂）和pH值是最有影响力的预测因子。

结论

本研究为重症肺炎患儿提供了有效的动态风险分层工具，有助于ICU中的及时临床决策。未来仍需要多中心研究来验证该模型的有效性。

引言

重症肺炎（SP）是肺炎进展的一个关键阶段，其特征不仅是常见的呼吸系统症状，还包括呼吸衰竭和其他器官系统的显著功能障碍[1]，[2]。它仍然是肺炎患儿死亡的主要原因[3]，[4]。然而，目前缺乏有效的生物标志物和预测模型来准确识别死亡风险，可能导致高风险重症肺炎病例的诊断和风险分层不足。

现有的模型主要集中在重症肺炎的诊断和主要并发症的发生上，对死亡结果的预测关注较少[5]，[6]，[7]。曹素琪等人基于初始实验室指标开发了一个临床预后模型，该模型在预测死亡率方面表现中等（测试集AUC = 0.871）[8]。然而，它们依赖于静态的、单时间点的评估，这限制了它们适应ICU患者复杂且动态变化的临床状况的能力，从而限制了其临床实用性。相比之下，利用时间序列数据的动态预测模型在ICU环境中表现出更好的性能和更高的可解释性，为死亡预测提供了更具适应性和临床可操作性的见解[9]，[10]，[11]。

CNN-LSTM模型在处理时间序列数据方面具有出色的能力，在预测各种危重疾病的死亡率方面显示出潜力。这种方法的优点在于CNN层能够高效提取局部时间特征，而LSTM记忆单元擅长捕捉序列数据中的长期依赖性[12]。例如，Bradley A. Fritz等人开发的MPCNN-LSTM模型在预测30天术后死亡率方面的AUC为0.867，优于深度神经网络（DNN）、随机森林（RF）、支持向量机（SVM）和逻辑回归（LR）[13]。

尽管初步研究描述了单个实验室指标和静态机器学习模型作为重症肺炎预后生物标志物的潜力[14]，[15]，[16]，[17]，但当前的诊断和风险分层方法仍不足以及时识别高风险病例。因此，有必要使用深度学习开发一个动态预测模型，以全面分析ICU中的复杂纵向临床数据，从而帮助临床医生做出更好的决策。为了解决这一临床需求，本研究旨在构建一个用于识别重症肺炎患儿死亡风险的动态预测模型，采用CNN-BiLSTM算法进行模型训练和验证。

章节摘录

研究设计和研究对象

这是一项单中心、回顾性的观察性研究，利用了儿科重症监护（PIC）数据库——一个包含2010年至2019年间入住医院重症监护病房（ICU）的12,881名儿科患者的健康相关信息的大规模去标识化临床数据库[18]。研究纳入了PIC数据库中诊断为重症肺炎的0至5岁儿童。根据世界卫生组织（WHO）的定义，

患者特征

我们的分析共包括686名被诊断为重症肺炎的儿科患者，其中83名（12.1%）在院内死亡。基线人口统计特征和初始实验室参数总结在表1中。

关于血液气体分析，非存活者的二氧化碳分压（pCO₂）显著升高（46.60 [39.05–57.65] mmHg vs. 43.00 [36.00–53.40] mmHg；p = 0.013），同时氧分压（pO₂显著降低

解释性分析

在独立测试集（n=172）中，模型的预测概率分布显示出显著的组别特异性特征（图5A）。存活组（n=151）的预测死亡概率呈高度正偏态分布，92.1%的样本预测概率<0.3，中位预测概率为0.000（IQR: 0.000-0.032）。相比之下，死亡组（n=21）的预测概率呈负偏态分布，中位预测概率

讨论

我们的结果表明，CNN-BiLSTM模型在预测重症肺炎患儿的死亡率方面表现强劲，利用了11个关键的动态实验室指标——pO₂、pCO₂、Baso_pct、PLT、PCT、Neu_pct、Lym_pct、sO₂、Lac、Mono_pct和pH——这些指标被确定为独立预测因子。该模型对这些关键生理指标的高敏感性不仅验证了其预测的生物学合理性，还强调了其相对于静态指标分析的独特优势：

结论

我们开发了一个CNN-BiLSTM模型，用于预测入住ICU的重症肺炎患儿的院内死亡风险。该模型的临床应用潜力通过已建立的性能指标得到了验证。通过使用可解释性分析技术，我们阐明了驱动预测的关键临床指标，从而增强了医生对导致儿科重症肺炎死亡的根本病因因素的理解。

缩写列表

特征	空白单元

利益冲突

作者声明没有利益冲突。

CRediT作者贡献声明

严朝阳：撰写——审稿与编辑、方法学、数据管理、概念化。陈正荣：撰写——审稿与编辑、方法学、数据管理。孙洪鹏：撰写——审稿与编辑、监督、资源获取、数据管理、概念化。丁朝阳：撰写——初稿、可视化、方法学、概念化。涂洪迪：撰写——初稿、可视化、验证、概念化。曹良申：撰写——审稿与编辑，

伦理批准和参与同意

本研究得到了浙江大学医学院儿童医院机构审查委员会的批准，并遵循《赫尔辛基宣言》的原则进行。由于研究的回顾性质以及所有个人数据的完全去标识化，因此无需获得个别患者的知情同意。

出版同意

不适用。

临床试验

不适用。

数据可用性

本研究使用的数据来自公开可访问的儿科重症监护（PIC）数据库[http://pic.nbscn.org/]。

资金支持

本研究得到了国家自然科学基金（82473729）和江苏省高等教育机构优先学术发展计划（PAPD）资助。

利益冲突声明

作者声明没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

不适用