解放军医学院学报

作者：齐霜, 徐浩然, 胡婕, 毛智, 胡新, 周飞虎

关键词：脓毒症, 极度梯度提升, 大数据, 死亡预测, 重症监护病房

  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4 939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。

来源：2021年第2期

《解放军医学院学报》期刊编辑部

查看解放军医学院学报杂志2021年第2期