摘要

目的 基于机器学习算法构建重症肺炎患者1个月内、1年内死亡风险预测列线图模型。方法 选取2019年6月—2023年6月在厦门大学附属翔安医院急诊医学科就诊的134例重症肺炎患者，收集患者的临床资料。采用5种机器学习算法(随机森林、朴素贝叶斯、支持向量机、神经网络、逻辑回归)分别分析重症肺炎患者1个月内、1年内死亡的影响因素，绘制ROC曲线以筛选预测效能最优的机器学习算法，然后选取前5位危险因素分别构建重症肺炎患者1个月内、1年内死亡风险预测列线图模型；最后，绘制ROC曲线以评估列线图模型的预测效能。结果 134例重症肺炎患者1个月内死亡22例，1个月内死亡率为16.4%；1年内死亡42例，1年内死亡率为31.3%。将所有患者按照7∶3比例随机分成训练集(n=94)和验证集(n=40)。将训练集患者的观察指标作为自变量，分别将训练集患者1个月内死亡情况、1年内死亡情况作为因变量，选择5种机器学习算法进行训练，结果显示，神经网络预测重症肺炎患者1个月内死亡的AUC最大，随机森林预测重症肺炎患者1年内死亡的AUC最大。选取神经网络中正态化重要性系数前5位的变量〔动脉血氧分压、碳酸氢盐、淋巴细胞计数、血小板计数、急性生理学和慢性健康状况评价Ⅱ(APACHEⅡ)评分〕构建重症肺炎患者1个月内死亡风险预测列线图模型。选取随机森林中平均下降GINI系数前5位的变量(尿量、氧合指数、肺炎严重程度评分、APACHEⅡ评分、ICU住院时间)构建重症肺炎患者1年内死亡风险预测列线图模型。ROC曲线分析结果显示，基于神经网络构建的列线图模型预测训练集、验证集患者1个月内死亡的AUC分别为0.828〔95%CI(0.705～0.950)〕、0.690〔95%CI(0.593～0.806)〕，基于随机森林构建的列线图模型预测训练集、验证集患者1年内死亡的AUC分别为0.833〔95%CI(0.746～0.919)〕、0.833〔95%CI(0.703～0.964)〕。结论 分别基于神经网络、随机森林构建的重症肺炎患者1个月内、1年内死亡风险预测列线图模型的预测效能较好，其中1年内死亡风险预测列线图模型表现更稳定。

关键词