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、90d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（x~2=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。