目的基于Logistic回归和随机森林算法构建全身麻醉复苏延迟的预判模型并验证。方法选择2021—2023年浙江某三甲医院复苏室收治的1177例全麻患者作为研究对象,按7︰3的比例随机分为训练组和验证组两组,采用Logistic单因素+多因素回归分析...目的基于Logistic回归和随机森林算法构建全身麻醉复苏延迟的预判模型并验证。方法选择2021—2023年浙江某三甲医院复苏室收治的1177例全麻患者作为研究对象,按7︰3的比例随机分为训练组和验证组两组,采用Logistic单因素+多因素回归分析,构建全身麻醉复苏延迟的预判模型并用列线图展示。利用随机森林算法筛选全身麻醉患者复苏延迟的影响因素并按重要性排序。采用受试者操作特征曲线(Receiver operating characteristic curve,ROC)下面积(Area of the under curve,AUC)检验模型的预测效果,采用校准曲线以及决策曲线综合评价模型的预测性能。结果1177例患者复苏延迟发生99例,发生率为8.41%。Logistic回归显示性别、ASA分级、年龄、手术时间、手术种类、输液量是全麻患者复苏延迟的独立危险因素。随机森林算法结果显示复苏延迟各变量的重要性排序为手术种类、年龄、手术时间、输液量、ASA分级、性别。Logistic回归模型的训练组AUC为0.87(95%CI 0.83~0.91),验证组为0.86(95%CI 0.81~0.91)。随机森林模型训练组AUC为0.85(95%CI 0.49~1.00),验证组AUC为0.76(95%CI 0.26~1.00)。提示模型具有良好的区分能力,预测能力较高,具有一定的临床价值。结论手术种类、年龄、手术时间、输液量、ASA分级、性别是全麻患者复苏延迟的独立危险因素,根据此构建预判模型的区分度与校准度较高,有助于预测全麻患者苏醒延迟的发生,可以为临床护理干预措施的制定与实施提供参考。展开更多
文摘目的基于Logistic回归和随机森林算法构建全身麻醉复苏延迟的预判模型并验证。方法选择2021—2023年浙江某三甲医院复苏室收治的1177例全麻患者作为研究对象,按7︰3的比例随机分为训练组和验证组两组,采用Logistic单因素+多因素回归分析,构建全身麻醉复苏延迟的预判模型并用列线图展示。利用随机森林算法筛选全身麻醉患者复苏延迟的影响因素并按重要性排序。采用受试者操作特征曲线(Receiver operating characteristic curve,ROC)下面积(Area of the under curve,AUC)检验模型的预测效果,采用校准曲线以及决策曲线综合评价模型的预测性能。结果1177例患者复苏延迟发生99例,发生率为8.41%。Logistic回归显示性别、ASA分级、年龄、手术时间、手术种类、输液量是全麻患者复苏延迟的独立危险因素。随机森林算法结果显示复苏延迟各变量的重要性排序为手术种类、年龄、手术时间、输液量、ASA分级、性别。Logistic回归模型的训练组AUC为0.87(95%CI 0.83~0.91),验证组为0.86(95%CI 0.81~0.91)。随机森林模型训练组AUC为0.85(95%CI 0.49~1.00),验证组AUC为0.76(95%CI 0.26~1.00)。提示模型具有良好的区分能力,预测能力较高,具有一定的临床价值。结论手术种类、年龄、手术时间、输液量、ASA分级、性别是全麻患者复苏延迟的独立危险因素,根据此构建预判模型的区分度与校准度较高,有助于预测全麻患者苏醒延迟的发生,可以为临床护理干预措施的制定与实施提供参考。
