IF=8.5！SHAP+Shiny+eICU 三大亮点花样上分，不卷难度！0实验公共数据库挖掘，可解释机器学习势不可挡！

数据收集与预处理

从eICU数据库中收集了2014-2015年的数据，作为主要分析队列，并从当地医院的ICU收集了外部验证队列。

使用Python的“miceforest”进行多重插补处理缺失值。

定义TyG指数和协变量

TyG指数通过公式ln[glucose (mg/dL) × triglycerides (mg/dL)/2]计算，并提取了包括人口统计学变量、严重程度评分、合并症、实验室结果、药物和干预措施等协变量。

统计分析与模型构建

使用限制性立方样条分析（RCS）和Kaplan-Meier曲线评估TyG指数与ICU全因死亡率的关系，结果显示高TyG组（TyG ≥ 9.265）与更高的ICU和医院全因死亡率相关。

调整潜在混杂因素后，发现TyG指数与ICU全因死亡率独立相关。

使用随机森林等七种机器学习算法构建预测模型，并通过内部验证和外部验证评估模型性能。随机森林模型在内部验证中表现最佳，AUC为0.900，在外部验证中AUC为0.776。

敏感性分析

在调整了红细胞分布宽度（RDW）、降脂治疗（他汀类和贝特类药物）和降糖治疗后，TyG指数与死亡率的关系仍然显著。

特征重要性评估

通过SHapley Additive exPlanations（SHAP）值评估特征重要性，发现机械通气（MV）、TyG指数和呼吸衰竭（RFA）是预测ICU全因死亡率的最重要特征。

网络平台开发

将随机森林模型嵌入到一个网络平台中，用户可以通过输入患者的特征信息，获得患者ICU全因死亡率的预测概率。

结果：

TyG指数被确定为ICU和医院全因死亡率的独立风险因素，机器学习模型展示了强大的预测性能，强调了胰岛素抵抗（以TyG指数作为替代指标）在首次中风患者预后评估和早期风险分层中的重要性。