机器学习和logistic回归模型预测严重烧伤患者发生急性肾损伤的比较分析

摘要：

目的 构建严重烧伤患者发生急性肾损伤(AKI)的风险预测模型,比较机器学习和logistic回归模型的预测效能.方法 收集在“八二”昆山工厂铝粉尘爆炸事故中严重烧伤的符合入选标准的157例患者的临床资料.将入院90 d内发生AKI的患者纳入AKI组,其余患者纳入非AKI组.使用单因素分析筛选可能和AKI发生相关的因素,包括患者性别、年龄、入院耗时、基础伤情、入院初始评分、治疗情况以及伤后30、60、90 d病死率等指标.对数据行Mann-Whitney U检验、x 2检验、Fisher确切概率法检验.将单因素分析中P＜0.1以及可能有临床意义的变量纳入预测模型的构建,分别采用logistic回归分析和XGBoost机器学习算法构建AKI预测模型.计算模型的受试者工作特征曲线下面积(AUC),以及最佳阈值下的敏感度、特异度.2个预测模型AUC差异的显著性检验采用非参数的重复采样方法.结果 (1)患者中89例(56.7％)在入院90 d内发生了AKI.与非AKI组68例患者相比,AKI组89例患者的年龄更大(Z=-2.203,P＜0.05),烧伤总面积和Ⅲ度烧伤面积更大(Z=-5.200、-6.297,P＜0.01),入院时的急性生理与慢性健康评估Ⅱ(APACHEⅡ)评分、简明烧伤严重程度指数评分、序贯器官衰竭评估(SOFA)评分更差(Z=-7.485、-4.739、-4.590,P＜0.01),发生脓毒症的百分比更高(x 2=33.087,P＜0.01),接受气管切开、呼吸机辅助呼吸以及连续性肾脏替代治疗的百分比更高(x 2=12.373、17.201、43.763,P＜0.01),首次切痂面积更大(Z=-2.191,P＜0.05),伤后30、60、90 d病死率更高(x2=7.483、37.259、45.533,P＜0.01).2组患者的性别、切开减张、入院耗时、入院后24 h补液量、入院后48 h补液量、第1个24 h尿量、第2个24 h尿量、首次切痂时间、吸入性损伤比较,差异无统计学意义(x 2=0.529、3.318,Z=-1.746、-0.016、-1.199、-1.824、-0.625、-1.747,P＞0.05);深静脉置管率均为100％.(2)根据单因素分析的差异结果以及变量的临床意义,筛选出20个可能的预测自变量,供模型的初步构建.(3) logistic回归预测模型的自变量为APACHEⅡ评分(比值比为1.36,95％置信区间为1.20～ 1.53,P＜ 0.001)、脓毒症(比值比为2.63,95％置信区间为0.90 ～7.66,P＞0.05)及第1个24 h尿量(比值比为0.71,95％置信区间为0.50～1.01,P＞0.05).logistic回归分析构建预测模型的AUC为0.875(95％置信区间为0.821 ～ 0.930),最佳阈值下的特异度为84.4％、敏感度为77.7％.(4)XGBoost机器学习算法构建的模型有7个主要预测变量:APACHEⅡ评分、Ⅲ度烧伤面积、入院后24 h补液量、脓毒症、第1个24 h尿量、SOFA评分、入院后48 h补液量.机器学习算法构建预测模型的AUC为0.920(95％置信区间为0.879 ～0.962),比logistic回归分析构建模型更高(P＜0.001),最佳阈值下的特异度为89.7％、敏感度为82.0％.结论 脓毒症和液体复苏情况是严重烧伤患者发生AKI的可干预的重要预测变量.机器学习模型预测严重烧伤患者发生AKI的性能较logistic回归预测模型更佳,能为患者提供更为精准的个体化预测,具有良好的临床应用前景.

关键词：烧伤、脓毒症、人工智能、急性肾损伤、预测模型、液体复苏

所属期刊栏目：34

在线出版日期：2018-07-23（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：343-348