解放军医学院学报

作者：张晗, 张爱舷, 罗嘉琪, 张晓萌, 陈力

关键词：创伤性休克, 院内死亡, 机器学习, 预测模型, 急诊医学

  背景  创伤性休克(traumatic shock，TS)是导致创伤患者死亡的重要原因，关注TS患者的预后具有重要意义。  目的  构建基于入院生命体征、入院血气分析等早期指标的机器学习模型，用以预测TS患者临床结局，辅助医务人员进行医疗决策。  方法  收集解放军总医院第一医学中心急诊科2014年6月 - 2021年12月收治的TS患者信息，分为建模队列和外部验证队列两个部分，基于决策树(decision tree，DT)、逻辑回归(logistic regression，LR)、随机森林(random forest，RF)三种分类算法建立院内死亡预测模型，比较不同模型的预测效能并选择最佳模型进行外部验证。  结果  建模过程中，筛选出TS患者281例，根据患者本次出院时是否存活，分为生存组(218例)和死亡组(63例)。内部验证中，RF模型获得的受试者工作特征曲线下面积(area under receiver operator characteristic curve，AUC)最高，为0.856(95% CI：0.847 ~ 0.865)，DT模型AUC为0.756(95% CI：0.740 ~ 0.772)，LR模型AUC为0.801(95% CI：0.780 ~ 0.822)。RF模型的准确率(0.807)、精确率(0.886)、召回率(0.866)、F值(0.876)、AUC(0.856)等分类器性能指标均值均大于0.8。在50例外部验证集中RF模型的表现与内部验证相似，提示RF模型对TS患者死亡风险识别能力较强。通过校准曲线和决策曲线评价三种模型的校准度和临床实用性，结果提示RF模型亦优于LR和DT模型。  结论   机器学习预测模型在预测TS患者院内死亡方面具有较好的应用前景。

来源：2023年第4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2023年第4期