基于机器学习算法的小儿重症病毒性脑炎预后预测模型构建

作者：丁军; 谢蕾; 毛月燕; 董国丽

来源：中华医院感染学杂志, 2023, 33(12): 1885-1889.

• 小儿重症病毒性脑炎
• 预后
• 机器学习算法
• 模型构建
• 预测模型
• 随机森林
• 更昔洛韦

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