基于机器学习的创伤性休克患者院内死亡预测模型研究

摘要：

背景 创伤性休克(traumatic shock,TS)是导致创伤患者死亡的重要原因,关注TS患者的预后具有重要意义.目的 构建基于入院生命体征、入院血气分析等早期指标的机器学习模型,用以预测TS患者临床结局,辅助医务人员进行医疗决策.方法 收集解放军总医院第一医学中心急诊科 2014年 6月-2021年 12月收治的TS患者信息,分为建模队列和外部验证队列两个部分,基于决策树(decision tree,DT)、逻辑回归(logistic regression,LR)、随机森林(random forest,RF)三种分类算法建立院内死亡预测模型,比较不同模型的预测效能并选择最佳模型进行外部验证.结果 建模过程中,筛选出TS患者 281例,根据患者本次出院时是否存活,分为生存组(218例)和死亡组(63例).内部验证中,RF模型获得的受试者工作特征曲线下面积(area under receiver operator characteristic curve,AUC)最高,为 0.856(95％CI:0.847～0.865),DT模型AUC为 0.756(95％CI:0.740～0.772),LR模型AUC为 0.801(95％CI:0.780～0.822).RF模型的准确率(0.807)、精确率(0.886)、召回率(0.866)、F值(0.876)、AUC(0.856)等分类器性能指标均值均大于 0.8.在 50例外部验证集中RF模型的表现与内部验证相似,提示RF模型对TS患者死亡风险识别能力较强.通过校准曲线和决策曲线评价三种模型的校准度和临床实用性,结果提示RF模型亦优于LR和DT模型.结论 机器学习预测模型在预测TS患者院内死亡方面具有较好的应用前景.

关键词：创伤性休克、院内死亡、机器学习、预测模型、急诊医学

所属期刊栏目：44

分类号：R459.7(治疗学)

资助基金：国家重点研发计划2020YFB1313904

在线出版日期：2023-06-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：339-344,371