传统方法，如逻辑回归，已被广泛用于识别风险因素和预测疾病概率。

很多机器学习构建预测模型的文章中，XGBoost模型优于其他模型。

XGBoost是最强机器学习算法吗？

今天这篇JAMA子刊文章，再次证明XGB构建预测模型 ，确实优秀！

2025年5月1日，JAMA Network Open（医学一区，IF=10.5）发表研究论文，旨在开发一种可跨所有科室早期检测病情恶化的机器学习模型

研究结果显示，XGBoost 模型的表现最佳，甚至优于或等同于各科室专门训练的模型。

---

研究思路

数据来源：本回顾性队列研究使用了 3 所三级学术医院（UC、Loyola以及UW–Madison）的儿科（年龄 <18 岁）病房和重症监护病区入院患者病例数据，共包含 135 621 名患者。

主要结局：危重事件，定义为观察点 12 小时内发生的侵袭性机械通气、血管活性药物使用或死亡

拆分数据：来自 2 所医院的数据用于模型训练（UC+Loyola，≤2017）和内部验证（时间验证，UC+Loyola，>2017），第三所医院的数据作为外部验证队列。

机器学习建模：构建了基于回归的模型、XGBoost 模型以及两种深度学习模型。

性能评估：最终模型用于计算时间验证和外部测试数据集的预测概率。评估模型性能的主要指标是鉴别能力，使用受试者工作特征曲线下面积（AUC）对时间验证和外部测试队列进行评估。采用非参数DeLong检验方法比较模型AUC（包括95% ci）。

与传统模型对比：我们还比较了外部测试队列中表现最佳的模型和pCART在不同模型阈值下的敏感性和特异性。

变量重要性：使用信息增益估计了表现最好的模型的整体变量重要性。变量重要性也在单个患者实例中使用Shapley值进行评估，Shapley值测量每个变量对单次观察预测的贡献。

模型输入特征包括患者年龄、所在科室、生命体征、实验室结果及既往合并症。

结果显示，XGBoost 模型是最佳机器学习模型，其区分度（C 统计量）为 0.86，显著高于两种面向普通病房的已有模型（分别为 0.82 和 0.70，均 P < .001）；

此后，我们将此模型称为儿科重大事件风险评估和评分工具 （pCREST）。使用信息增益评估pCREST 的前 20 个最重要的变量，按重要性降序排列。

基于 Shapley 值的个体患者风险随时间变化情况（以一名 16 岁患者在急诊分诊、转入普通病房再转入 ICU 直至发生关键事件的过程中 pCREST 风险百分位的变化为例）。

参考文献：

Strutz S, Liang H, Carey K, et al. Machine Learning for Predicting Critical Events Among Hospitalized Children. JAMA Netw Open. 2025;8(5):e2513149. doi:10.1001/jamanetworkopen.2025.13149

机器学习构建预测模型写代码还是有点难度的，如果您也想模仿这篇文章的思路，郑老师团队可以帮您实现，不妨联系我们郑老师统计团队。

关于郑老师团队及公众号

全国较大的医学统计服务公众号平台，专注于医学生、医护工作者学术研究统计支持，我们是你们统计助理

郑老师团队可以提供诸多统计支持：

各式统计课程、临床试验设计

构建预测模型与真实世界研究

1对1 R语言指导、医学数据库挖掘

郑老师开发的超便捷免费统计工具了解一下：

www.medsta.cn/software(详情介绍)

详情联系助教小董咨询（微信号aq566665）