PICU患者死亡率预测：多模型机器学习全流程实现
Published:
项目背景
儿科重症监护室（PICU）患者的住院死亡率预测是临床风险评估中的重要问题。由于PICU患者病情复杂、死亡率相对较低，传统统计方法在非线性建模与风险分层方面存在一定局限。
本项目基于PICU真实临床表格数据，构建了一个端到端的机器学习预测流程，系统比较了 Logistic 回归、随机森林（Random Forest）与支持向量机（SVM）三类模型，并通过多维度评估与特征贡献分析，探索关键临床变量对死亡风险的影响。
数据概览与结局分布
数据集包含约 8,952 条 PICU 住院记录，结局变量为院内死亡（HOSPITAL_EXPIRE_FLAG）。死亡率约为 7.5%，呈现出明显的类别不平衡特征，这对模型训练与评估提出了更高要求。
数据缺失情况分析
在建模前，对各变量的缺失情况进行了系统分析。部分连续临床变量（如化验指标）存在不同程度的缺失，但未发现全缺失或完全无信息的变量。
数据清理与预处理策略
缺失值处理
- 连续变量：中位数填补（Median Imputation）
- 优点：对偏态分布与极端值更稳健
- 所有填补参数仅在训练集上拟合，避免信息泄漏
异常值处理
- 采用 Winsorization（1%–99% 分位截断）
- 目的：降低极端异常值对模型训练的影响，而不直接删除样本
特征标准化
- 对连续变量进行 Z-score 标准化
- 提升 Logistic 回归与 SVM 的数值稳定性
数据清理前后分布对比（可视化证据）
为了直观展示数据清理的效果，对核心连续变量绘制了 清理前（Raw）与清理后（Cleaned） 的分布对比。
直方图对比（Raw vs Cleaned）
按结局分组的箱线图对比
模型训练与调参策略
本项目对比了三类常见但互补的机器学习模型：
- Logistic Regression（L2 正则）
- 可解释性强，作为 baseline 模型
- Random Forest
- 捕捉非线性关系与特征交互
- 对异常值与尺度不敏感
- SVM（RBF Kernel）
- 具备灵活的非线性判别能力
训练策略
- 数据划分：70% 训练集 / 30% 测试集（分层抽样）
- 超参数调优：5 折分层交叉验证 + GridSearch
- 主要优化指标：ROC-AUC
- 类不平衡处理：
class_weight="balanced"或balanced_subsample
模型评估结果
判别能力（ROC & PR）
校准性能（Calibration）
阈值决策与混淆矩阵
采用 Youden Index 在测试集上选择最优阈值，得到一个兼顾敏感性与特异性的工作点。
特征贡献与模型可解释性
为避免“黑箱模型”，本项目从两个角度分析特征贡献：
Random Forest 内置重要性（Gini Importance）
Permutation Importance（测试集）
结论与下一步工作
主要结论：
- Random Forest 在该 PICU 数据集上取得最佳整体表现（AUC≈0.79，AP≈0.29）
- 数据清理（中位数填补 + Winsorization）显著提升模型稳定性
- 特征贡献分析能够稳定识别与死亡风险相关的关键临床变量
下一步方向：
- 引入更多时间序列特征（生命体征动态变化）
- 尝试 Gradient Boosting（XGBoost / LightGBM）
- 构建简单 Web 界面，实现临床风险在线评估
- 外部数据集验证模型泛化能力