基于机器学习和电阻抗断层成像的撤机结局预测方法研究

作者：王普; 招展奇; 代萌; 刘**; 叶建安; 田翔; 韩悌昕; 付峰^*

来源：医疗卫生装备, 2023, 44(10): 1-6.

DOI：10.19745/j.1003-8868.2023197

• 电阻抗断层成像
• 撤机结局
• 机器学习
• 机械通气

目的 ：提出一种基于机器学习和电阻抗断层成像（electrical impedance tomography,EIT）预测撤机结局的方法。方法：首先，从来自30例患者的84个样本提取EIT图像特征，并将采用极致梯度提升（extreme gradient boosting,XGBoost）算法筛选出的重要特征作为模型的输入。其次，采用随机森林（random forest,RF）、支持向量机（support vector machines,SVM）、XGBoost、梯度提升决策树（gradient boosting decision tree,GBDT）、逻辑回归（logistic regression,LR）和决策树（tree）6种机器学习方法建立预测模型。在未平衡数据集、过采样平衡数据集和随机欠采样平衡数据集下通过AUC、准确率、敏感度和特异度指标评估模型的预测性能。结果：在AUC、准确率和特异度3个方面，过采样平衡数据集和随机欠采样平衡数据集下的模型性能均优于未平衡数据集（P<0.05）；但在敏感度方面，过采样平衡数据集与未平衡数据集下的模型性能比较差异无统计学意义（P>0.05），随机欠采样平衡数据集下的模型性能比未平衡数据集下的模型性能有所下降（P<0.05）。在过采样平衡数据集和随机欠采样平衡数据集下模型性能比较差异无统计学意义（P>0.05）。基于XGBoost建立的模型在过采样平衡后的数据集中综合性能最佳，AUC为0.769、准确率为0.808、敏感度为0.938、特异性度为0.600。结论：基于机器学习和EIT能够较好地预测长时间机械通气患者的撤机结局，可以为临床医生判断合适的撤机时机提供辅助决策支持。

• 单位
  生物医学工程学院; 中国人民解放军空军军医大学; 广州医科大学