基于长短期记忆网络和Logistic回归的重症监护病房脑卒中患者院内死亡风险预测

作者：邓宇含; 姜勇; 王子尧; 刘爽; 汪雨欣; 刘宝花^*

来源：北京大学学报(医学版), 2022, 54(03): 458-467.

DOI：10.19723/j.issn.1671-167X.2022.03.010

• 卒中
• 预后
• 预测
• LSTM
• Logistic模型

目的：基于引入注意力机制的长短期记忆网络(long short-term memory, LSTM)和L1正则化的Logistic回归筛选变量，再通过传统的Logistic回归建立重症监护病房(intensive care unit, ICU)脑卒中患者院内死亡风险预测模型并评价模型效果。方法：选取重症医学信息数据库(Medical Information Mart for Intensive Care-Ⅳ,MIMIC-Ⅳ)中的脑卒中患者作为研究对象，以是否发生院内死亡作为结局变量，备选预测因子包括人口学特征、合并症、入院48 h内实验室检查和生命体征检查等。将数据根据结局指标以8∶2的比例随机进行10次训练集和测试集的划分，在训练集上构建LSTM和L1正则化的Logistic回归模型，在测试集上选取重要程度排名前10的变量的并集纳入Logistic回归建立预测模型，以受试者工作特征曲线下面积(area under curve, AUC)、灵敏度、特异度、预测准确度为指标对模型进行评价，并与未预先进行变量筛选的前进法Logistic回归模型的预测效果进行比较。结果：共纳入2 755例脑卒中患者的2 979条ICU入院记录，其中院内死亡记录占17.66%。两个变量筛选模型中，L1正则化的Logistic回归模型的AUC显著优于LSTM模型(0.819±0.031 vs. 0.760±0.018,P<0.001),两个模型中重要程度均位于前10的变量包括年龄、血糖和尿素氮。最终预测模型的AUC为0.85,灵敏度为85.98%,特异度为71.74%,预测准确率为74.26%,优于未预先进行变量筛选的前进法Logistic回归模型。结论：用引入注意力机制的LSTM和L1正则的Logistic回归筛选出的变量的预测效果较好，具有一定的临床价值。

• 单位
  首都医科大学附属北京天坛医院; 公共卫生学院; 北京航空航天大学; 北京大学; 首都医科大学