基于机器学习的重症监护病房脓毒症患者早期死亡风险预测模型

作者：齐霜; 徐浩然; 胡婕; 毛智; 胡新; 周飞虎^*

来源：解放军医学院学报, 2021, 42(02): 150-181.

• 脓毒症
• 极度梯度提升
• 大数据
• 死亡预测
• 重症监护病房

背景脓毒症患者死亡率高。准确预测不良结局的发生,有助于医疗资源的有效分配。目的建立一种机器学习模型预测脓毒症患者早期死亡风险,辅助临床医生进行临床决策。方法从重症监护医疗信息市场(Medical Information Mart for Intensive Care,MIMIC)Ⅲ数据库筛选出符合Sepsis-3标准的脓毒症患者,随机抽取70%的病例作为训练集用于建立模型,其余30%的数据用作验证集。使用极度梯度提升(extreme gradient boosting,XGBoost)模型集成相关参数预测脓毒症患者重症监护病房(intensive care unit,ICU)死亡风险,预测能力通过受试者工作特征(receiver operating characteristic,ROC)曲线评估,并与简化急性生理评分(simplified acute physiology score,SAPS)Ⅱ、序贯性器官衰竭评分(sequential organ failure assessment,SOFA)、全身炎症反应综合征(systemic inflammatory response syndrome,SIRS)标准、快速器官衰竭评分(quick sequential organ failure assessment,qSOFA)等对比验证模型的预测价值。结果共纳入4 939例脓毒症患者,其中ICU内死亡患者551例,存活患者4 388例;以患者是否ICU死亡作为结局,建立XGBoost模型获得ROC曲线下面积(AUC)为0.848,敏感度0.841,特异性0.711,准确性0.726,均较其他评分高(P<0.05)。模型中排名前10的特征主要为:入ICU后24 h内血乳酸平均值、血管活性药物评分(vasoactive-inotropic score,VIS)、是否患有恶性肿瘤、天冬氨酸氨基转移酶(aspartate aminotransferase,AST)、阴离子间隙(anion gap,AG)、是否接受机械通气治疗、国际标准化比值(international normalized ratio,INR)、格拉斯哥昏迷指数(Glasgow coma scale,GCS)、重症监护病房类型、入ICU后24 h内血乳酸最大值。结论 XGBoost模型较临床常用评分能够更加准确地预测脓毒症患者的死亡风险,有助于辅助临床决策,分配医疗资源。

• 单位
  解放军总医院