基于机器学习的重症监护病房脓毒症患者住院病死率预测模型的构建

作者：朱曼晨; 胡春英; 贺银燕; 钱彦春; 唐素娟; 胡庆河; 郝翠平^*

来源：中华危重病急救医学, 2023, 35(07).

• 脓毒症
• 住院病死率
• 机器学习
• 预测模型

目的基于机器学习分析重症监护病房(ICU)脓毒症患者院内死亡的危险因素, 并构建预测模型, 探讨预测模型的预测价值。方法回顾分析2015年4月至2021年4月在济宁医学院附属医院ICU住院治疗的脓毒症患者的临床资料, 包括人口统计学信息、生命体征、合并症、实验室检查指标、诊断和治疗等。根据患者是否发生院内死亡分为死亡组和存活组。随机抽取数据集中70%的病例作为训练集用于模型建立, 其余30%的病例作为验证集。基于逻辑回归(LR)、K-最近邻(KNN)、支持向量机(SVM)、决策树(DT)、随机森林(RF)、极端梯度提升(XGBoost)和人工神经网络(ANN)等7个机器学习模型, 构建脓毒症患者住院病死率预测模型。分别用受试者工作特征曲线(ROC曲线)、校准曲线、决策曲线分析(DCA)从鉴别、校准和临床应用等方面评估7个模型的预测性能。此外, 将基于机器学习的预测模型与序贯器官衰竭评分(SOFA)和急性生理学与慢性健康状况评分Ⅱ(APACHEⅡ)模型进行比较。结果共纳入741例脓毒症患者, 其中好转出院390例, 院内死亡351例, 院内病死率为47.4%。死亡组与存活组间性别、年龄、APACHEⅡ评分、SOFA评分、格拉斯哥昏迷评分(GCS)、心率、氧合指数(PaO2/FiO2)、机械通气比例、机械通气时间、使用去甲肾上腺素(NE)比例、NE最大量、血乳酸(Lac)、活化部分凝血活酶时间(APTT)、白蛋白(ALB)、血肌酐(SCr)、尿素氮(BUN)、血尿酸(BUA)、pH值、碱剩余(BE)、血钾(K+)等差异有统计学意义。ROC曲线分析显示, RF、XGBoost、LR、ANN、DT、SVM、KNN模型和SOFA评分、APACHEⅡ评分预测脓毒症患者住院病死率的曲线下面积(AUC)分别为0.871、0.846、0.751、0.747、0.677、0.657、0.555、0.749和0.760。在所有模型中, RF模型具有最高的精确度(0.750)、准确度(0.785)、召回率(0.773)、F1得分(0.761), 辨别力最佳。校准曲线显示RF模型在7个机器学习模型中表现最佳。DCA曲线分析显示, 与其他模型相比, RF模型表现出更大的净效益以及阈值概率, 表明RF模型是具有良好临床实用性的最佳模型。结论机器学习模型可以作为预测脓毒症患者住院病死率的可靠工具。RF模型具有最佳的预测性能, 有助于临床医生识别高危患者并早期实施干预以降低病死率。

• 单位
  济宁医学院附属医院