机器学习对创伤合并急性呼吸窘迫综合征患者院内死亡的预测价值

摘要：

目的:探讨机器学习方法对创伤合并急性呼吸窘迫综合征（ARDS）患者院内死亡的预测价值。方法:采用回顾性非干预性病例对照研究。从于美国重症监护医学信息数据库Ⅲ（MIMICⅢ）数据库中提取符合柏林ARDS标准定义的创伤合并ARDS患者，收集患者的基本信息〔包括性别、年龄、体质量指数（BMI）、pH值、氧合指数、实验室指标、重症监护病房（ICU）住院时间、行机械通气（MV）或连续性肾脏替代治疗（CRRT）比例、急性生理学评分Ⅲ（APSⅢ）、序贯器官衰竭评分（SOFA）和简化急性生理学评分Ⅱ（SAPSⅡ）〕、并发症和合并症〔包括高血压、糖尿病、感染、急性失血性贫血、脓毒症、休克、酸中毒和肺炎〕以及预后情况。采用多因素Logistic回归分析筛选有意义的变量（
P<0.05），构建Logistic回归模型、XGBoost模型和人工神经网络模型，并绘制受试者工作特征曲线（ROC曲线）评估3个模型对创伤合并ARDS患者院内死亡的预测价值。
结果:共纳入760例创伤合并ARDS患者，其中轻度346例，中度301例，重度113例；院内存活618例，院内死亡142例；736例接受MV，65例接受CRRT。多因素Logistic回归分析筛选出有意义的变量，包括年龄〔优势比（
OR）＝1.035，95%可信区间（95%
CI）为1.020~1.050，
P<0.001〕、BMI（
OR＝0.949，95%
CI为0.917~0.983，
P＝0.003）、血尿素氮（BUN；
OR＝1.019，95%
CI为1.004~1.033，
P＝0.010）、血乳酸（Lac；
OR＝1.213，95%
CI为1.124~1.309，
P<0.001）、红细胞分布宽度（RDW；
OR＝1.249，95%
CI为1.102~1.416，
P<0.001）、血细胞比容（HCT；
OR＝1.057，95%
CI为1.019~1.097，
P＝0.003）、高血压（
OR＝0.614，95%
CI为0.389~0.968，
P＝0.036）、感染（
OR＝0.463，95%
CI为0.289~0.741，
P＝0.001）、急性肾衰竭（
OR＝2.021，95%
CI为1.267~3.224，
P＝0.003）、脓毒症（
OR＝2.105，95%
CI为1.265~3.502，
P＝0.004），使用上述变量构建模型。Logistic回归模型、XGBoost模型和人工神经网络模型预测创伤合并ARDS患者院内死亡的ROC曲线下面积（AUC）分别为0.737（95%
CI为0.659~0.815）、0.745（95%
CI为0.672~0.819）和0.757（95%
CI为0.680~0.884），任意两个模型之间比较差异均无统计学意义（均
P>0.05）。
结论:纳入年龄、BMI、BUN、Lac、RDW、HCT、高血压、感染、急性肾衰竭、脓毒症变量的Logistic回归模型、XGBoost模型和人工神经网络模型对创伤合并ARDS患者院内死亡有良好的预测价值。

关键词：机器学习、急性呼吸窘迫综合征、创伤、人工智能

所属期刊栏目：34

资助基金：重庆市自然科学基金重点项目cstc2019jcyj-zdxmX0031;Key Projects of Chongqing Natural Science Foundationcstc2019jcyj-zdxmX0031

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：260-264