基于连续生理指标的脓毒症休克早期预警机器学习模型研究

作者：李理; 刘淳; 吴泽懿; 史晓林; 牟向东; 弓孟春; 洪娜^*

来源：中国数字医学, 2022, 17(04): 26-11.

• 脓毒症休克
• 时间序列数据
• 机器学习
• 预测模型
• 疾病早期预警

目的：提出一种急危重症患者中脓毒症休克的预警模型。方法：在重症监护医学信息数据库第4版(MIMIC-IV)中筛选出符合条件的患者，提取患者的心率(HR)、呼吸频率(RR)、血氧饱和度(SpO2)和平均动脉压(MAP)4项连续生理指标的时间序列数据，然后将数据划分到时间窗口中。患者的一般特征(年龄、性别、体重)及生存指标(心率、呼吸频率、血氧饱和度和平均动脉压4个连续指标)分别按照线性和非线性参数进行统计分析。采用多种机器学习方法建立预测模型，预测患者在所选的时间窗口内是否会发作脓毒症休克。结果：随机森林模型预测分类准确率最高为85.16%，敏感度和特异度达到了56.00%和99.05%，接受者操作特征曲线下面积(AUROC)最高为0.85。AdaBoost模型预测的敏感度最高为58.00%。结论：随机森林模型具有高准确率、敏感度和特异度；此脓毒症休克预警模型比以往的模型预测准确度更高，预测时间更加提前。危重患者监护中可实时获得上述指标，因此通过脓毒症休克的实时动态预警，起到预测脓毒症休克的早期预警的作用，为临床决策支持提供参考。

• 单位
  清华大学