10.16680/j.1671-3826.2023.07.06
基于可解释机器学习构建老年患者术后急性肾损伤风险预测模型
目的 基于机器学习算法,构建行全身麻醉非心脏手术的老年患者术后急性肾损伤(AKI)的风险预测模型,为AKI早期识别和干预提供参考.方法 回顾性分析自2015 年10 月至2021 年10 月在中山大学附属第三医院择期行全身麻醉非心脏手术、年龄≥65 岁的9 512 例患者的临床资料,根据排除标准,最终纳入5 780 例患者为研究对象.使用LASSO回归分析筛选与AKI相关的重要变量进行AKI预测模型构建.计算受试者工作特征曲线下面积(AUC)用于评估预测性能.通过SHAP模型对最优预测模型进行可解释化处理.结果 5 780 例患者中,789 例被诊断为术后AKI,发生率为 13.65%(789/5 780),设为AKI组;另4 991 例设为非AKI组.患者预后情况中,AKI组患者的实际住院天数长于非AKI组,总住院费用及住院期间心跳骤停发生率均高于非AKI组,差异均有统计学意义(P<0.05).单因素分析后共有 33 个显著变量,LASSO回归分析选择了12 个特征变量构建8 个机器学习模型,最终选择了梯度提升机(GBM)模型作为风险预测模型.GBM的AUC值为 0.77,准确性为0.71,敏感度为0.67,特异度为0.71.利用SHAP模型对GBM模型进行可解释化处理,得出贡献度前 5 的特征分别为手术时长、术前白蛋白、血清肌酐、血糖及血清钠离子浓度.结论 GBM模型预测非心脏手术老年患者术后AKI发生风险的效能最优,可为围术期麻醉决策提供参考.
老年患者、急性肾损伤、预测模型、机器学习、全身麻醉非心脏手术
51
R654.2;R692(外科学各论)
国家自然科学基金;广东省自然科学基金项目;中山大学大学生创新训练项目
2023-08-08(万方平台首次上网日期,不代表论文的发表时间)
共6页
688-693