基于机器学习的重症监护病房脓毒症患者早期死亡风险预测模型

摘要

背景 脓毒症患者死亡率高.准确预测不良结局的发生,有助于医疗资源的有效分配.目的 建立一种机器学习模型预测脓毒症患者早期死亡风险,辅助临床医生进行临床决策.方法 从重症监护医疗信息市场(Medical?Information?Mart?for Intensive?Care,MIMIC)Ⅲ数据库筛选出符合Sepsis-3标准的脓毒症患者,随机抽取70％的病例作为训练集用于建立模型,其余30％的数据用作验证集.使用极度梯度提升(extreme?gradient?boosting,XGBoost)模型集成相关参数预测脓毒症患者重症监护病房(intensive?care?unit,ICU)死亡风险,预测能力通过受试者工作特征(receiver?operating?characteristic,ROC)曲线评估,并与简化急性生理评分(simplified?acute?physiology?score,SAPS)Ⅱ、序贯性器官衰竭评分(sequential?organ?failure?assessment,SOFA)、全身炎症反应综合征(systemic?inflammatory?response?syndrome,SIRS)标准、快速器官衰竭评分(quick?sequential?organ failure?assessment,qSOFA)等对比验证模型的预测价值.结果 共纳入4939例脓毒症患者,其中ICU内死亡患者551例,存活患者4388例;以患者是否ICU死亡作为结局,建立XGBoost模型获得ROC曲线下面积(AUC)为0.848,敏感度0.841,特异性0.711,准确性0.726,均较其他评分高(P<0.05).模型中排名前10的特征主要为:入ICU后24?h内血乳酸平均值、血管活性药物评分(vasoactive-inotropic?score,VIS)、是否患有恶性肿瘤、天冬氨酸氨基转移酶(aspartate?aminotransferase,AST)、阴离子间隙(anion?gap,AG)、是否接受机械通气治疗、国际标准化比值(international?normalized?ratio,INR)、格拉斯哥昏迷指数(Glasgow?coma?scale,GCS)、重症监护病房类型、入ICU后24?h内血乳酸最大值.结论 XGBoost模型较临床常用评分能够更加准确地预测脓毒症患者的死亡风险,有助于辅助临床决策,分配医疗资源.