新生儿败血症休克预测模型的构建——1 695例患儿回顾性研究

作者：龚军; 王惠来; 向天雨; 张亚莲; 周洋; 钟小钢^*

来源：现代预防医学, 2022, 49(06): 1049-1053.

• 新生儿
• 败血症
• 休克
• 机器学习
• 预测模型

目的 筛选新生儿发生败血症休克的危险因素，建立新生儿败血症休克临床预测模型。方法 选取2016年1月1日—2019年12月31日重庆医科大学7家附属医疗机构中患有败血症的新生儿，根据是否发生败血症休克分为研究组和对照组。采用单因素分析、LASSO和logistic回归分析筛选危险因素。采用logistic、极端梯度提升（XGBoost）、随机森林（RF）、分类回归树（CART）和人工神经网络（ANN）建立新生儿败血症休克预测模型，根据灵敏度、特异度、曲线下面积等指标评估模型性能。结果 本研究中，共有339名败血症新生儿发生败血症休克，1 356名败血症新生儿未发生败血症休克。单因素分析筛选出31项差异指标，多因素分析筛选出12项独立危险因素。测试集中，logistic、XGBoost、RF、CART、ANN模型的曲线下面积分别为0.856 (0.809～0.903),0.861 (0.819～0.904),0.880 (0.838～0.922),0.835 (0.790～0.881),0.808 (0.756～0.860)。结论 本文构建的五种预测模型相对稳定，其中，RF模型的预测性能最佳，能为新生儿败血症休克提供较好的预测。

• 单位
  重庆医科大学; 重庆医科大学附属儿童医院; 基础医学院