解放军医学院学报

作者：范运龙, 邵佳康, 吴远斌, 宋超, 沈铭, 朱思明, 何潇一, 李梁钢, 任瞳, 姜胜利

关键词：急性肾损伤, 机器学习, 心脏手术并发症, 随机森林, 预测模型

  背景  心脏手术相关的急性肾损伤(cardiac surgery-associated acute kidney injury，CSA-AKI)是心脏手术后的主要并发症之一，其对患者的近期和远期生存率都有负面影响。  目的  开发基于机器学习技术的预测模型，以此识别心脏手术中CSA-AKI的高危患者。  方法  选取2017年1月1日- 2018年6月1日于解放军总医院第一医学中心心血管外科行心脏手术的638例患者的临床资料，包括人口学特征、合并症、术前用药、实验室检查结果和手术相关数据等78个变量。采用支持向量机(support vector machine，SVM)、决策树(decision tree，DT)和随机森林(random foresst，RF)这3个机器学习算法构建CSA-AKI的预测模型。通过受试者工作特征(receiver operating characteristic，ROC)曲线的曲线下面积(area under the curve，AUC)和决策曲线分析(decision curve analysis，DCA)评估以上预测模型的性能。沙普利可加性特征解释方法(shapley additive explanation，SHAP)用于预测模型的可视化。  结果  在纳入分析的638例患者中，188例(29.5%)在术后第1周发生CSA-AKI。在3种机器学习算法中，RF模型在性能指标AUC和DCA方面表现最好，其敏感度为0.784，特异性为0.934，准确率为0.927，AUC为0.890(95% CI：0.762 ~ 1.000)，高于DT模型和SVM模型。SHAP图可视化了RF模型在个体水平推断CSA-AKI的风险。在RF变量重要性矩阵图中，排名前10的变量依次为肌酐清除率、血红蛋白、手术时间、射血分数、术中尿量、左心房直径、手术权重、血清肌酐、术中失血量和体外循环时间。  结论  本研究成功建立了用于预测CSA-AKI高危患者的机器学习方法，可供临床医生参考并优化治疗策略以减少术后并发症。

来源：2022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2022年第2期