基于机器学习的重症监护病房脓毒性休克患者早期发生急性肾损伤风险的预测模型构建

摘要：

目的:分析重症监护病房（ICU）内脓毒性休克患者早期发生急性肾损伤（AKI）的危险因素，构建预测模型，并探讨该预测模型的预测价值。方法:回顾分析2015年4月至2019年6月在济宁医学院附属医院ICU住院治疗的脓毒性休克患者的临床资料，根据患者入ICU 7 d内是否发生AKI分为AKI组和非AKI组。随机抽取数据集中的病例（占70%）作为训练集用于建立模型，其余30%的病例作为验证集。使用XGBoost模型集成相关参数，预测脓毒性休克患者发生AKI的风险，预测能力通过受试者工作特征曲线（ROC曲线）评估，并与急性生理学与慢性健康状况评分Ⅱ（APACHEⅡ）、序贯器官衰竭评分（SOFA）、降钙素原（PCT）等对比验证模型的预测价值。结果:共纳入303例脓毒性休克患者，其中发生AKI 153例，未发生AKI 150例，AKI发生率为50.50%。与非AKI组相比，AKI组患者APACHEⅡ评分、SOFA评分和血乳酸（Lac）水平更高，去甲肾上腺素（NE）使用剂量更大，机械通气比例更高，入ICU时心率更快。脓毒性休克患者发生AKI风险的XGBoost预测模型中，排名前10位的特征分别为入ICU时血肌酐（SCr）水平、是否使用NE、饮酒史以及白蛋白、血钠、C-反应蛋白（CRP）、Lac、体质量指数（BMI）、血小板计数（PLT）和血尿素氮（BUN）水平。XGBoost模型预测脓毒性休克患者AKI发生风险的ROC曲线下面积（AUC）为0.816，敏感度为73.3%，特异度为71.7%，准确度为72.5%，模型预测能力较APACHEⅡ评分、SOFA评分、PCT等明显提升。模型的校准曲线显示，XGBoost模型的拟合优度高于其他各项评分（校准曲线得分最小，为0.205）。结论:与临床常用评分相比，脓毒性休克患者AKI发生风险的XGBoost模型能够更加准确地预测脓毒性休克患者发生AKI的风险，有助于在预测患者预后的同时，恰当地制定诊断、治疗方案和随访策略。

关键词：脓毒性休克、急性肾损伤、机器学习、预测模型

所属期刊栏目：34

资助基金：山东省医药卫生科技发展计划项目2018WSB34007;山东省济宁市重点研发计划软科学项目2021JNZC016;Shandong Medical and Health Science and Technology Development Project2018WSB34007;Jining City Key Research and Development Program Soft Science Project of Shandong Province of Shandong Province2021JNZC016

在线出版日期：2023-05-30（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：255-259