外周插管中心静脉导管相关血流感染的风险分层与基于数据的表型分析：大规模重症监护队列的可解释机器学习分析

外周插管中心静脉导管相关血流感染（PICC-CRBSI）是重症患者发病率和死亡率的重大原因。因此，需要改善风险分层以实现精准预防。本研究旨在使用可解释的机器学习识别PICC-CRBSI的关键预测因素和新患者表型。我们通过回顾性队列研究，使用MIMIC-IV重症监护数据库的数据。接受PICC插管的患者被分为PICC-CRBSI（n = 237）和对照（n = 8,052）组。开发了一个机器学习流程，结合LASSO回归进行特征选择和SHAP分析进行模型解释。使用监督型UMAP进行降维，随后采用HDBSCAN聚类来识别不同的患者表型。数据集被拆分为训练集（70%）和测试集（30%）以确保稳健的验证。在纳入研究的8,289名患者中，有237名（2.86%）发展为PICC-CRBSI。无监督聚类识别出两种不同的患者表型，其中高风险子集（占队列的1.2%）在训练集中显示出100%的PICC-CRBSI发生率，测试集中发生率更高（5.63%对2.16%，p < 0.001）。聚类在训练集中的表现优异（轮廓系数：0.914），在测试集中保持良好的泛化能力（轮廓系数：0.765）。这些研究结果通过互动临床分析工具供临床医生进行动态风险探索使用。可解释的机器学习框架成功识别了PICC-CRBSI的关键预测因素和新高风险患者表型。我们的基于数据的方法为增强风险分层和制定重症患者的针对性预防策略提供了有希望的途径，并有潜力通过互动决策支持工具实现临床应用。