基于监督机器学习算法构建脓毒性休克患者死亡风险的预测模型

作     者：谢政 金晶 刘东松 陆圣译 俞慧 韩冬 孙炜 黄铭 Xie Zheng;Jin Jing;Liu Dongsong;Lu Shengyi;Yu Hui;Han Dong;Sun Wei;Huang Ming

作者机构：江南大学附属医院急诊科江苏无锡214000 江南大学附属医院神经内科江苏无锡214000 

出 版 物：《中华危重病急救医学》 (Chinese Critical Care Medicine)

年 卷 期：2024年第36卷第4期

页      面：345-352页

核心收录：

学科分类：100218[医学-急诊医学] 1002[医学-临床医学] 1010[医学-医学技术（可授医学、理学学位）] 10[医学] 

基　　金：江苏省无锡市卫生健康委科研项目(M202109) 

主　　题：监督机器学习 脓毒性休克 预测模型 

摘      要：目的基于不同监督机器学习算法,构建并验证适用于脓毒性休克患者28 d死亡风险的最佳预测模型。方法从美国重症监护医学信息数据库Ⅳv2.0(MIMIC-Ⅳv2.0)中筛选出符合脓毒症3.0的脓毒性休克患者,随机抽取病例,其中70%作为训练集,30%作为验证集。从人口学特征及基础生命体征、入重症监护病房(ICU)24 h内血清学指标及可能影响指标的合并症、功能评分及高级生命支持3个层面提取相关预测变量。比较基于决策树分类回归树(CART)、随机森林(RF)、支持向量机(SVM)、线性回归(LR)及超级学习器〔SL,综合了CART、RF和极端梯度提升(XGBoost)〕5种主流机器学习算法构建的模型对脓毒性休克患者28 d死亡的预测效能,筛选最佳算法模型。利用LASSO回归、RF和XGBoost算法,通过取交集确定最佳预测变量,构建预测模型。采用受试者工作特征曲线(ROC曲线)验证模型的预测效能;采用校准曲线评估模型的准确性;采用决策曲线分析(DCA)验证模型的实用性。结果最终共纳入3295例脓毒性休克患者,28 d存活2164例,死亡1131例,病死率为34.32%;其中,训练集2307例(28 d死亡792例,病死率为34.33%),验证集988例(28 d死亡339例,病死率为34.31%)。基于训练集数据分别建立5种机器学习模型;在纳入3个层面的变量后,RF、SVM、LR 3种机器学习模型在验证集预测脓毒性休克患者28 d死亡的ROC曲线下面积(AUC)依次为0.823〔95%可信区间(95%CI)为0.795~0.849〕、0.823(95%CI为0.796~0.849)、0.810(95%CI为0.782~0.838),高于CART算法模型(AUC=0.750,95%CI为0.717~0.782)和SL算法模型(AUC=0.756,95%CI为0.724~0.789),故将以上3种算法模型确定为最佳算法模型。综合3个层面变量后,通过LASSO回归、RF和XGBoost算法筛选并取交集,得出16个最佳预测变量,依次为入ICU 24 h内pH最大值、白蛋白(Alb)最大值、体温最大值、血乳酸(Lac)最小值、Lac最大值、血肌酐(SCr)最大值、Ca^(2+)最大值、血红蛋白(Hb)最小值、白细胞计数(WBC)最小值、年龄、简化急性生理学评分Ⅲ(SAPSⅢ)、WBC最大值、急性生理学评分Ⅲ(APSⅢ)、Na^(+)最小值、体质量指数(BMI)及活化部分凝血活酶时间(APTT)最小值。ROC曲线分析显示,以上述16个最佳预测变量构建的Logistic回归模型为最佳预测模型,在验证集中的AUC为0.806(95%CI为0.778~0.835);校准曲线及DCA曲线显示,该模型的精准度较高,且净收益最高可达0.3,其预测效能明显优于传统以单一功能评分〔APSⅢ评分、SAPSⅢ评分、序贯器官衰竭评分(SOFA)〕建立的模型〔AUC(95%CI)分别为0.746(0.715~0.778)、0.765(0.734~0.796)、0.625(0.589~0.661)〕。结论以pH值、Alb、体温、Lac、SCr、Ca^(2+)、Hb、WBC、SAPSⅢ评分、APSⅢ评分、Na^(+)、BMI、APTT等16个最佳变量构建的Logistic回归模型为脓毒性休克患者28 d死亡风险的最佳预测模型,其效能稳定,区分度及精准度均较高。