基于机器学习算法构建重症急性胰腺炎病人肠内营养误吸风险的预测模型

摘要

目的 探讨重症急性胰腺炎病人早期肠内营养误吸发生的独立危险因素，基于机器学习算法构建误吸风险的预测模型。方法 我院2012年1月～2019年12月收治的重症急性胰腺炎并行早期肠内营养病人296例，其中未发生误吸268例，发生误吸28例。比较两组病人性别、年龄、体质量指数、急性生理与慢性健康评分（APACHE-II评分）、意识状况、营养风险、鼻饲管置入长度、中性粒细胞/淋巴细胞比值和血小板/淋巴细胞比值等数据。将误吸危险因素分别导入随机森林、神经网络、决策树、支持向量机和广义线性回归算法，建立5种预测模型并检验模型的预测效能。结果 APACHE-II评分、意识状况、营养风险、鼻饲管置入长度和血小板/淋巴细胞比值是预测早期肠内营养误吸发生的危险因素。随机森林、神经网络、决策树、支持向量机和广义线性回归算法曲线下面积分别为0.976、0.973、0.961、0.932和0.921,其中随机森林算法的预测效能最佳。结论 基于机器学习算法建立的预测模型可准确预测重症急性胰腺炎病人早期肠内营养误吸发生的风险，有利于并发症的预测评估及临床决策的制定。