ICU住院患者重度急性呼吸窘迫综合征早期预测模型的构建

摘要：

背景 急性呼吸窘迫综合征(acuterespiratorydistresssyndrome,ARDS)发病率高,10％的ICU住院是由ARDS所致,临床特征通常在诱发事件后6～72 h出现,并迅速加重.其死亡率亦相当高且会随病情严重程度而增加.目的 构建一种便捷、无创的危重症ARDS早期预测模型.方法 采用麻省理工学院与飞利浦创建的eICU协作研究数据集,从中检索诊断为ARDS患者的呼吸频率、体温、心跳三种生命体征数据以及氧合指数(PaO2/FiO2).PaO2/FiO2≤100 mmHg为重度ARDS.以每个氧合指数观测点(ARDS诊断时间点)为原点,96 h为一个时间窗,应用逻辑回归、随机森林及LightGBM构建预测模型,分析诊断前6～96 h、6～48 h以及6～24 h的生命体征数据预测是否会发生重度ARDS.通过oob评分、交叉验证以及校准曲线评估模型性能,并选取2014年解放军总医院医院呼吸重症监护室的ARDS病例对模型进行外部验证.结果 从eICU数据库检索纳入232例ARDS患者共3140次氧合指数测量记录,其中PaO2/FiO2≤100 mmHg(1 mmHg=0.133 kPa)共1042次.以6～96 h、6～48 h以及6～24 h的生命体征数据各自采用逻辑回归、随机森林及LightGBM建立了9个预测模型.不同时间窗比较,6～96 h的预测准确率及AUC最高;不同模型间比较随机森林模型的诊断性能最优;6～96 h随机森林模型准确率为0.833,AUC为0.885;6～48 h、6～24 h时间窗口的AUC分别为0.815、0.806;LightGBM、逻辑回归模型的6～96 h时间窗口AUC分为0.868、0.634.各模型在解放军总医院ARDS患者中进行验证,依然是6～96 h时间窗的随机森林模型预测性能最佳,准确率为0.834,AUC为0.843.结论 基于随机森林构建的ARDS预测模型具有良好的预测能力,通过无创且易获取的心率、体温、呼吸频率三种体征指标,利用提前6～96 h时间窗数据对重度ARDS的发生进行预测,可帮助医护人员更早地进行干预和治疗.

关键词：eICU数据集、ICU、机器学习、随机森林、急性呼吸窘迫综合征

所属期刊栏目：43

分类号：R563.8(呼吸系及胸部疾病)

资助基金：国家自然科学基金;解放军总医院医学创新研究项目;解放军总医院转化医学重点项目;解放军总医院临床扶持基金

在线出版日期：2023-01-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1146-1150