摘要
目的 应用机器学习算法构建小儿重症病毒性脑炎(SVE)预后预测模型,与经典Logistic多因素回归预测模型进行对比分析,比较不同算法模型的预测效果。方法 选取2018年5月-2022年5月浙江大学医学院附属第二医院临平院区收治的210例SVE患儿,均接受临床治疗。治疗结束后对患儿进行为期6个月的随访,根据格拉斯哥预后评分(GOS)将患儿分为预后良好组、预后不良组,收集患儿临床资料,单因素分析可能影响SVE患儿预后的危险因素,筛选影响SVE患儿预后的危险因素构建经典Logistic回归预测模型,并运用R软件构建随机森林预测模型、支持向量机(SVM)预测模型,绘制3种预测模型受试者工作特征(ROC)曲线,对比各预测模型ROC灵敏度、特异度、准确度、曲线下面积等指标。结果 210例患儿均未失访,且无死亡病例,其中预后不良组50例、预后良好组160例。Logistic多因素回归分析结果显示,惊厥持续状态、局灶性神经功能缺损、脑电图中重度异常、合并应激性高糖、脑脊液蛋白高是影响SVE患儿不良预后的危险因素(P<0.05)。基于多因素回归分析筛选出的5个危险因素分别构建Logistic回归预测模型、随机森林预测模型、SVM预测模型,结果显示3种预测模型的敏感度、准确度、阳性预测值、阴性预测值均>80%,其中SVM预测模型拥有最高的敏感度、准确度、曲线下面积(AUC)、阳性预测值,分别为93.00%、86.10%、0.913、87.90%,均高于Logistic预测模型的88.90%、82.70%、0.891、84.60%,随机森林预测模型的90.20%、83.20%、0.862、85.70%。结论 机器学习算法中SVM预测模型可有效预测SVE患儿不良预后,影响SVE患儿预后的危险因素较多,临床可基于上述危险因素给予针对性预防措施以改善SVE患儿预后。
-
单位浙江大学医学院附属第二医院