文摘目的基于可解释机器学习模型分析机械通气患者呼吸机相关性肺炎(ventilator-associated pneumonia,VAP)风险。方法选取2022年1月至2024年12月我院收治的机械通气患者77例。发生VAP 19例分为观察组和未发生VAP 58例分为对照组,收集临床资料,采用LASSO回归分析筛选与VAP相关特征,运用逻辑回归(logistic regression,LR)、支持向量机(support vector machine,SVM)、多层感知器(multi-layer perceptron,MLP)及极端梯度提升(eXtreme Gradient Boosting,xGBoost)4种机器学习(machine learning,ML)算法构建预测,采用SHAP方法分析可解释性。结果单因素分析显示,观察组急性生理学及慢性健康状况评分系统(acute physiology and chronic health evaluationⅡ,APACHEⅡ)(21.53±2.50)分、机械通气时间(10.37±3.30)d高于对照组APACHEⅡ(18.59±2.80)分、机械通气时间(8.38±2.55)d,观察组格拉斯哥评分(10.79±2.07)分、白蛋白水平(30.08±3.79)g/L低于对照组格拉斯哥评分(12.14±1.94)分、白蛋白水平(34.22±5.20)g/L,观察组慢性阻塞性肺疾病、糖尿病、使用镇静剂、抗生素种类与对照组差异有统计学意义(P<0.05)。LASSO回归分析显示,APACHEⅡ评分、机械通气时间、白蛋白是机械通气患者发生VAP的风险因素。基于风险因素构建4个ML,xGBoost曲线下面积(area under the curve,AUC)为0.882,准确性为81.30%,敏感度为84.00%,特异度为82.00%。SHAP结果显示,VAP风险贡献度前4的特征分别为APACHEⅡ评分、机械通气时间、白蛋白水平。结论xGBoost敏感度和特异度高,作为一种辅助诊断工具快速、准确判断机械通气患者发生VAP风险,为临床决策提供参考。
