基于集成机器学习的ICU老年多器官功能不全早期死亡风险预测模型

摘要

cqvip:目的基于集成机器学习模型XGBoost(Extreme Grardient Boosting)构建ICU住院老年多器官功能不全综合征(multiple organ dysfunction syndrome in the elderly,MODSE)早期(入ICU 24h后)死亡预测模型,以更好地辅助临床决策和治疗。方法利用公开的基于电子病历的大型数据库中重症医学信息数据库MIMIC-Ⅲ(Medical Information Mart for Intensive Care),纳入MODSE患者14 329例,其中院内死亡2 341例(16.3%),随机抽取80%作为训练集,剩余20%为测试集,根据预后将患者分为死亡组(1 864例)和存活组(9 599例),采集人口统计学信息、入ICU第一天的生命体征、临床干预措施、全身炎症反应综合征评分(SIRS),序贯器官衰竭估计评分(SOFA)作为模型参数,比较两组患者各指标差异;采用XGBoost模型算法进行模型训练,研究死亡相关特征重要性排名分布;用受试者工作特征曲线(ROC)评估模型对MODSE患者死亡风险的预测价值。结果与存活组比较,死亡组患者格拉斯哥昏迷指数(glasgow coma scale,GCS)、年龄、心率最大值等较高,体质量指数(hody mass index,BMI)、收缩压最小值等较低,差异均存在统计学意义(P均<0.01)。XGBoost构建预测模型的特征排名前10的指标为呼吸频率、活化的部分凝血酶原时间(activated part of the prothrombin time,APTT)、年龄、体温、BMI、收缩压、血小板、血糖、休克指数、內细胞计数;Xghoost模型预测MODSE患者死亡的AUC为0.853,敏感性为0.824,特异性为0.725,准确率为0.854,高于SOFA等各类评分。结论与传统的评分相比,XGBoost模型的预测性能更加优越,可以更好地辅助临床决策,更早地指导临床医生开展集束化治疗。