基于机器学习算法术后急性肾损伤风险预测模型建立

摘要：

目的 基于机器学习算法构建预测术后急性肾损伤(PO-AKI)的风险模型.方法 选择陆军军医大学附属西南医院自2014 年1 月至2019 年6 月、四川大学附属华西医院自2019 年5 月至 2020 年 1 月及中山大学附属第一医院自 2019 年6 月至2019 年12 月发生PO-AKI的635 例患者纳入PO-AKI组.按1∶3 比例随机匹配同时间段未发生PO-AKI的1 905 例患者纳入非PO-AKI组.将所有患者按照7∶3 比例随机分为建模组(n =1 778)和验证组(n =762).在数据预处理特征选择手术患者常见的临床指标(一般资料、既往史、手术相关信息和实验室检验)后,基于 6 种机器学习算法建立PO-AKI的风险预测模型.通过受试者工作曲线下面积(AUC)、敏感度、特异度、准确度和F1 分数评估模型效应.选择6 种机器学习模型中性能最优者搭建可视化PO-AKI预测网页模型.结果 构建了6 种PO-AKI机器学习预测模型,以神经网络(NNET)算法最优.验证组中AUC为0.942(95%可信区间0.926～0.958),敏感度和特异度分别为85.3%和86.9%.结论 基于机器学习算法成功建立了PO-AKI预测模型,NNET模型对PO-AKI具有良好的预测能力.

关键词：术后急性肾损伤、预测模型、机器学习

所属期刊栏目：51

分类号：R654.2(外科学各论)

在线出版日期：2023-08-08（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：665-671