队列构建与特征提取
从两家医院EHR中识别符合条件的癌症住院患者,并构建预测特征。
从UME HL7 FHIR基础设施和BWH EPIC系统提取数据,筛选年龄≥18岁、肿瘤/血液科入院诊断(ICD-10 C00-C96)、首次广谱静脉抗生素后24–48小时发热、且48–72小时有至少一次体温记录的患者。提取44个常规变量,工程化52个特征。
Predicting persistent fever in patients with cancer receiving antibiotics: a machine learning approach
基于两家医院EHR数据的回顾性队列建模与内外验证,含模型性能评估、校准、决策曲线及亚组分析,但无前瞻性干预验证。
University Medicine Essen(UME)癌症住院患者EHR队列(987次住院,794例患者) Brigham and Women’s Hospital(BWH)癌症住院患者EHR队列(7409次住院,6256例患者)
发热定义:首次广谱静脉抗生素后24–48小时内至少一次体温≥38.0°C(敏感性分析≥38.3°C) 结局定义:抗生素启用后48–72小时至少一次体温记录,持续发热定义为该窗口内体温≥38.0°C 模型验证:UME内部嵌套5折交叉验证(按患者分组)及BWH外部验证 候选模型:正则化逻辑回归、Random Forest、XGBoost、CatBoost、TabPFN及GLM和naïve基线 分类阈值:内部数据集Youden最优阈值,外部队列保持不变;另评估敏感性≥90%、≥95%、≥98%操作点
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
从两家医院EHR中识别符合条件的癌症住院患者,并构建预测特征。
从UME HL7 FHIR基础设施和BWH EPIC系统提取数据,筛选年龄≥18岁、肿瘤/血液科入院诊断(ICD-10 C00-C96)、首次广谱静脉抗生素后24–48小时发热、且48–72小时有至少一次体温记录的患者。提取44个常规变量,工程化52个特征。
利用时间序列基础模型生成48–72小时最高预测体温,作为额外预测特征。
使用Chronos-2模型,以入院至抗生素启用后48小时的体温测量为输入,预测48–72小时体温,取最高预测值作为分类模型特征。
在UME队列中训练多种候选模型并进行内部验证,评估区分度、校准和临床效用。
训练正则化逻辑回归、Random Forest、XGBoost、CatBoost、TabPFN,并与GLM和naïve基线比较。采用嵌套5折交叉验证(按患者分组),贝叶斯超参数优化,Platt校准。
评估模型在不同医院环境中的可迁移性和稳健性。
将UME训练好的模型及预处理参数直接应用于BWH队列,分类阈值保持不变,评估区分度、校准和阈值依赖性能。
评估特征重要性、模型在不同临床亚组中的表现及对发热定义的稳健性。
计算SHAP值和置换特征重要性;按性别、年龄、癌症类型分层;按24–48小时最高体温分层;敏感性分析改变发热阈值至≥38.3°C;标准化BWH体温监测密度;分析ICU和死亡亚组。
探索模型预测与后续抗生素升级和胸部CT检查的关系。
在正确预测为不会持续发热的患者中,回顾性评估抗生素启用后36–96小时内的抗生素升级和胸部CT检查发生比例。
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 模型开发与数据分析 | Python 3.11 | -- | -- |
| 模型开发 | Scikit-learn(v1.1.3) | -- | v1.1.3 |
| 超参数优化 | Optuna(v2.10.1) | -- | v2.10.1 |
| 时间序列预测 | Chronos-2 | -- | -- |
| 代码一致性及拼写语法检查 | ChatGPT 5.1 | -- | -- |
| Gemini Flash | -- | -- |
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 研究队列构建 | 纳入标准:年龄≥18岁、肿瘤/血液科入院诊断(ICD-10 C00-C96)、首次广谱静脉抗生素后24–48小时内体温≥38.0°C、48–72小时至少一次体温记录;排除仅接受预防性抗菌治疗者;中性粒细胞减少不是纳入标准。 阅读提示:Methods中Study cohort小节 |
| 结局定义 | 持续发热定义:抗生素启用后48–72小时至少一次体温≥38.0°C;敏感性分析使用≥38.3°C。 阅读提示:Methods中Study cohort小节及Results中Sensitivity analysis |
| 预测特征与工程化 | 44个常规变量提取及52个工程化特征;体温特征包括0–24和24–48小时最大值/均值、48小时前最后值、≥38.0°C比例、测量频率、变异性、首末变化、范围、日内最大值、0–48小时趋势、偏度和傅里叶幅度;Chronos-2预测的48–72小时最高体温作为额外特征。 阅读提示:Methods中Covariates小节及Supplementary Table 18 |
| 模型训练与验证 | 嵌套5折交叉验证按患者分组;内部循环贝叶斯超参数优化;预处理仅在训练折拟合;外部验证预处理参数来自UME不变应用;Platt校准仅基于训练数据。 阅读提示:Methods中Model development和Model evaluation小节 |
| 分类阈值与性能评估 | Youden最优阈值在内部数据集确定并保持不变应用于外部;另评估敏感性≥90%、≥95%、≥98%操作点;性能指标包括AUROC、AUPRC、校准-in-the-large、校准斜率、Brier评分、敏感性、特异性、PPV、NPV、F1。 阅读提示:Methods中Model evaluation小节及Table 2 |
| 临床干预回顾性分析 | 干预窗口为抗生素启用后36–96小时;模型分类基于外折交叉验证预测;抗生素升级定义见Supplementary Table 25。 阅读提示:Methods中Model evaluation小节及Supplementary Table 25 |