摘要

背景

多重耐药菌（MDRO）感染已成为全球范围内的重要公共卫生难题，尤其是在重症监护病房（ICU）内，延迟识别常导致临床结局进一步恶化。尽管机器学习（ML）方法在感染风险预测中展现出广阔前景，但由于部分复杂算法缺乏机制透明性，限制了其在临床实践中的应用。为此，本研究基于SHAP方法，构建并评估了一个具有良好可解释性的MDRO感染风险预测模型。

方法

本研究纳入中国某三甲医院2020年至2022年收治的888例ICU患者，采用回顾性队列设计，并严格遵循TRIPOD指南。通过LASSO回归筛选人口学特征、治疗措施及实验室检查等关键预测因子，综合比较神经网络、随机森林、支持向量机、逻辑回归、决策树及高斯朴素贝叶斯六种算法建立的预测模型在AUC、准确率与校准性能方面的表现，进一步借助SHAP（SHapley Additive exPlanations）分析实现模型全局与局部的可解释性。

结果

最终纳入825例符合标准的病例，其中MDRO感染375例。随机森林模型在多项指标上表现最为优异（AUC=0.83，准确率0.767）。SHAP分析结果显示，导尿管留置、呼吸机使用及长期抗生素治疗等为主要可干预风险因素。基于SHAP力图的个体化风险解释，有效实现了患者风险分层。决策曲线分析显示，该模型在概率阈值0.44至0.60区间内具有较高的临床应用价值。

结论

本研究所建立的具备SHAP可解释性的随机森林预测模型兼具出色预测性能与临床实用性。其动态可视化分析功能有助于实现个体化风险评估和循证抗菌药物管理，并有望通过医院信息系统的实时整合监测，进一步优化MDRO感染的早期干预策略。

关键词：多重耐药菌；机器学习；预测；重症监护病房