机器学习模型预测心脏外科手术患者术后谵妄的有效性

作者：黄琦; 关美娇; 邹彬; 郑晶晶; 刁玉刚^*

来源：临床麻醉学杂志, 2023, 39(04): 363-369.

• 心脏外科手术
• 人工智能
• 机器学习
• 术后谵妄
• 预测模型

目的 基于机器学习算法建立心脏外科手术患者术后谵妄(POD)风险预测模型，并验证其有效性。方法 选择2021年5—12月择期行心脏外科手术患者710例，男468例，女242例，年龄≥18岁，ASAⅠ—Ⅳ级。采用医疗电子信息系统收集患者资料。记录术前抑郁筛查量表(PHQ-9)评分、广泛性焦虑障碍量表(GAD-7)评分以及简易精神状态检查量表(MMSE)。将采集的整个数据集按照训练集(75%)和测试集(25%)的比例进行划分，其中训练集和测试集中POD发生率相同。建立6种机器学习模型，包括梯度提升决策树(GBDT)、支持向量机(SVM)、随机森林(RF)、逻辑回归(LogR)、K最邻近法(KNN)、深度神经网络(DNN),基于这6种算法以5折交叉验证的方式对训练数据集的数据进行模型的学习训练，通过测试数据集的数据对模型性能进行验证。基于准确率、精确率、召回率、F1分数、受试者工作特征曲线(ROC)及ROC曲线下面积(AUC)比较不同模型的有效性，并找出适合本研究数据框架的最佳模型。结果 有151例(21.3%)心脏外科手术患者中发生POD。本研究进行了6个机器学习模型的性能比较，在使用全部特征作为潜在风险因素的条件下，GBDT的AUC为0.86(95%CI 0.82～0.89),SVM的AUC为0.79(95%CI 0.76～0.83),RF的AUC为0.85(95%CI 0.83～0.87),LogR的AUC为0.67(95%CI 0.63～0.70),KNN的AUC为0.67(95%CI 0.63～0.69),DNN的AUC为0.78(95%CI 0.74～0.82)。结论 机器学习算法开发的预测模型可用于心脏外科手术后POD的预测，其中GBDT和RF表现出了较好的机器学习效能，适合于本研究数据框架，更有可能提高POD预测的准确性。特征工程可进行患者数据的可视化处理，以筛选心脏外科手术发生POD的风险因素。

• 单位
  中国医科大学