机器学习DNN和XGBoost算法对危重患者预后预测模型效能评估

作者：李惠萍; 胡安民^*

来源：实用医学杂志, 2020, 36(04): 466-469.

DOI：10.3969/j.issn.1006-5725.2020.04.009

• 医疗大数据
• 重症患者
• 预测模型
• 机器学习
• 深度神经网络
• 极限梯度提升

目的研究深度神经网络(deep neural network,DNN)和极限梯度提升(XGBoost)算法对单中心重症患者预后的预测效能。方法本研究使用美国大型重症医学数据库MIMIC-Ⅲ作为数据来源,分别使用DNN和XGBoost算法构建重症患者全因死亡率的预测模型,使用10折交叉验证法对模型性能进行评估,并与传统的简化急性生理评分-Ⅱ(SAPS-Ⅱ)评分比较模型的预测性能。结果研究共纳入30 833例患者,其中7 866例(25.5%)患者在进入ICU后1年内死亡。研究采用真阳性率、阳性预测值、F值、受试者工作特征曲线下面积(AUC)进行模型效能的评估。三种模型得到AUC值分别为:SAPS-Ⅱ模型(0.75±0.04)、DNN模型(0.64±0.18)、XGBoost模型(0.80±0.02),提示XGBoost模型在重症患者1年内全因病死率的预测效能优于DNN模型和SAPS-Ⅱ模型。结论与SAPS-Ⅱ评分及DNN算法模型相比,XGBoost模型可更稳健预测危重患者1年内全因病死率。

• 单位
  南方科技大学; 深圳市人民医院