目的探讨机器学习算法构建腹部手术术后脓毒症患者死亡风险预测模型的可行性。方法采用病例-对照研究设计方案,从公共重症监护医学信息数据库(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳv1.0)中筛选出行腹部手术后发生脓...目的探讨机器学习算法构建腹部手术术后脓毒症患者死亡风险预测模型的可行性。方法采用病例-对照研究设计方案,从公共重症监护医学信息数据库(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳv1.0)中筛选出行腹部手术后发生脓毒症的患者,研究终点事件定义为患者入院后90 d内死亡。根据死亡与否将数据集随机拆分为训练数据集(70%)与测试数据集(30%),在训练数据集上基于Logistic回归(logistic regression,LR)、梯度提升树(gradient boosting decision tree,GBDT)、随机森林(random forest,RF)、支持向量机(support vector machine,SVM)和自适应提升(adaptive boosting,AdaBoost)算法构建预测死亡风险模型;在测试数据集上通过受试者工作曲线(receiver operating characteristic curve,ROC)和曲线下面积(area under the ROC curve,AUC)、敏感性、特异性、阳性预测值、阴性预测值、F1分数和准确率来评估模型效能。结果最终986例患者纳入本研究,其中251例(25.5%)患者入院后90 d内死亡,LR、GBDT、RF、SVM及AdaBoost模型的AUC依次为0.852、0.903、0.921、0.940和0.906,其中SVM的AUC最高,预测性能更好,而LR模型效能最差。结论基于GBDT、RF、SVM及AdaBoost这4种算法建立的腹部手术术后脓毒症死亡率预测模型的效能优于传统的LR模型,可能有助于临床决策,改善不良结局。展开更多
文摘目的探讨机器学习算法构建腹部手术术后脓毒症患者死亡风险预测模型的可行性。方法采用病例-对照研究设计方案,从公共重症监护医学信息数据库(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳv1.0)中筛选出行腹部手术后发生脓毒症的患者,研究终点事件定义为患者入院后90 d内死亡。根据死亡与否将数据集随机拆分为训练数据集(70%)与测试数据集(30%),在训练数据集上基于Logistic回归(logistic regression,LR)、梯度提升树(gradient boosting decision tree,GBDT)、随机森林(random forest,RF)、支持向量机(support vector machine,SVM)和自适应提升(adaptive boosting,AdaBoost)算法构建预测死亡风险模型;在测试数据集上通过受试者工作曲线(receiver operating characteristic curve,ROC)和曲线下面积(area under the ROC curve,AUC)、敏感性、特异性、阳性预测值、阴性预测值、F1分数和准确率来评估模型效能。结果最终986例患者纳入本研究,其中251例(25.5%)患者入院后90 d内死亡,LR、GBDT、RF、SVM及AdaBoost模型的AUC依次为0.852、0.903、0.921、0.940和0.906,其中SVM的AUC最高,预测性能更好,而LR模型效能最差。结论基于GBDT、RF、SVM及AdaBoost这4种算法建立的腹部手术术后脓毒症死亡率预测模型的效能优于传统的LR模型,可能有助于临床决策,改善不良结局。
