脓毒症分诊不再只给黑箱概率：ShAprox把沙普利值写成可加方程，外部测试AUC 0.824

脓毒症预测模型可以在患者刚进入急诊分诊时，仅凭首次生命体征、人口学信息和合并症给出未来脓毒症诊断的概率，并且这个概率由每个特征各自的贡献相加而成，临床医生能逐项查看。 此前用于脓毒症预警的NEWS2和St. John脓毒症智能体属于专家系统，按预设规则打分；机器学习模型虽然能更早预测，但SHAP和LIME等解释工具不足以让临床医生信任黑箱输出。 在两个急性NHS信托的28072次就诊记录上，ShAprox外部测试AUC为0.824、SAS为0.906，神经网络NNS1分别为0.818和0.911；内部测试上ShAprox为0.735和0.807，NNS1为0.756和0.814。

预测方程由各特征的近似沙普利值函数与一个基准率相加构成，连续特征用三次拟合曲线，二值特征用均值，因此同一血压读数对任何患者贡献相同，小幅变化只带来小幅预测变化。 沙普利值原本是博弈论中按参与者贡献分配收益的概念，SHAP把它用于逐例解释，但只给出事后归因，不能直接充当预测模型本身。 训练集来自Site 1的80%数据，内部测试用其余20%，Site 2的14978次就诊全部作为外部测试；模型输入为55个变量，经40%丢弃率和三层隐藏层训练106轮。

结果覆盖两个急性NHS信托中2019年3月至2020年8月经急诊入院、且诊断属于疑似脓毒症名单的成年患者，共28072次就诊记录。模型只使用首次记录的生命体征、年龄、性别、族裔和Elixhauser合并症，不使用血检结果。作者指出，在投入急诊病房前应在全部急诊患者上重新训练和验证。

数据集限于疑似脓毒症患者，作者认为非此类患者的生命体征和特征可能明显不同，但这一点尚不确定。非脓毒症患者的生命体征缺失更多，缺失值按健康范围随机填补。作者还指出，巴基斯坦族裔降低预测值不应作因果解读，可能反映混杂因素或Site 1的编码差异。