心脏骤停后院内死亡机器学习预测模型的建立

摘要：

目的 探索影响心脏骤停患者预后的相关因素,并通过机器学习建立一个准确、快速的预后预测模型.方法 对美国重症监护医学信息数据库(MIMIC)中1772 例18 岁以上心脏骤停患者的数据进行回顾性分析,通过三种机器学习算法建立预测模型,包括逻辑回归(logistic regression,LR)、极致梯度提升(extreme gradient boosting,XGBoost)和支持向量机(support vector machine,SVM)算法,用于预测患者心脏骤停后院内病死率.计算受试者工作特征曲线下面积(area under the curve,AUC)、准确度、精确度、召回率和 F1 分数,以评估所建立模型的预测性能.结果 XGBoost 算法的表现优于另外两种算法.XGBoost 算法建立的预测模型准确度、召回率、精确度和 F1 分数分别为0.762、0.812、0.765 和0.788.XGBoost 模型的AUC大于LR和SVM模型(0.847 vs.0.834 和0.820).XGBoost模型中最重要的前 10 个特征是入院 24h内乳酸、格拉斯哥昏迷评分(GCS)量表、尿素氮、血糖、血氧饱和度、白细胞和心率的最小值,入院 24h内体温和肌酸激酶同工酶(CK-MB),以及体质量的最大值.结论 与LR和SVM算法相比,XGBoost算法建立的心脏骤停患者预后预测模型有更准确的预测效果.

关键词：心脏骤停、院内病死率、机器学习、预后、逻辑回归、极致梯度提升、支持向量机

所属期刊栏目：44

分类号：R542.22;G434;R730.56

资助基金：中央高水平医院临床科研项目2022-PUMCH-B-110

在线出版日期：2024-01-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：63-68