基于MIMIC-Ⅳ构建重症胰腺炎患者院内死亡风险预测模型

目的 基于重症监护医学信息数据库(MIMIC-Ⅳ)构建重症胰腺炎(SP)患者院内死亡风险的预测模型。方法 在MIMIC-Ⅳ中筛选SP患者,提取其临床资料。根据患者住院期间是否死亡分为存活组和死亡组,比较存活组和死亡组患者的临床资料。按照8∶2的比例将SP患者随机分成训练集和测试集,基于训练集的资料,采用Logistic回归模型和支持向量机(SVM)算法构建SP患者院内死亡风险的预测模型,再基于测试集的资料,绘制受试者工作特征(ROC)曲线评价两个模型的预测效能。结果 死亡组和存活组患者的年龄、红细胞分布宽度(RDW)、阴离子间隙、HDL-C差异有统计学意义(P<0.05)。Logistic回归分析结果显示,年龄、RDW、阴离子间隙是SP患者院内死亡的独立危险因素,HDL-C是SP患者院内死亡的独立保护因素(P<0.05)。SP患者院内死亡风险预测模型的回归方程为■,其中P为SP患者院内死亡的概率,e为自然常数,a=-6.264+0.033×年龄+0.061×RDW+0.091×阴离子间隙-0.019×HDL-C。当核函数为Linear函数、松弛变量为0.1、容错率为0.42...     

基于血浆渗透压建立急性ST段抬高型心肌梗死重症患者发生院内死亡风险预测模型

  目的   建立并验证血浆渗透压对急性ST段抬高型心肌梗死（acute ST-segment elevation myocardial infarction,STEMI）重症患者院内死亡风险预测模型。  方法  通过回顾性分析患者电子病历资料,选取2015年1月至2020年12月于云南大学附属医院心血管内科住院的STEMI重症患者,提取患者的一般信息、实验室检查、合并疾病及用药情况等,筛选STEMI重症患者院内死亡风险危险因素并建立预测模型。  结果  利用LASSO回归及多因素Logistic回归筛选出白蛋白（ALB）、白细胞（WBC）、血小板（PLT）、血肌酐（Scr）、是否服用他汀类药物、是否服用血管紧张素转化酶抑制剂（ACEI）或血管紧张素转化酶受体拮抗剂（ARB）类药物、血浆渗透压为STEMI重症患者是否发生院内死亡的独立预测因子（P < 0.05）,据此7个预测变量绘制列线图,模型检验结果显示其区分度、校准度较好,决策曲线分析（DCA）显示阈值概率5%～95%时,临床使用该模型是可以获益的。  结论  构建的包含7个变量预测模型具有较好的区分度和校准度,可作为评估STEMI重症患者院内死亡风险参考工具。     

基于机器学习的重症股骨颈骨折患者死亡风险预测模型构建和验证

目的采用机器学习方法,构建重症股骨颈患者院内死亡预测模型,辅助临床医生尽早进行临床决策。方法使用公开数据库——重症监护医疗信息市场(Medical Information Mart for Intensive Care, MIMIC)Ⅲ中入住ICU的股骨颈骨折患者信息进行回顾性分析。采用SMOTE算法平衡数据集后,按7：3随机划分训练集和验证集。以患者发生院内死亡作为结局,分别构建随机森林、XGBoost和BP神经网络预测模型。模型性能通过受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUROC)、准确率、精确率、灵敏度和特异度进行评估,并与传统Logistic模型对比验证模型的预测价值。结果共纳入366例股骨颈骨折患者,其中院内死亡48例。按死亡组：生存组=1：1平衡数据集后共获得636例患者数据。3种机器学习模型具有较高的预测准确性,随机森林、XGBoost和BP神经网络的AUC分别为0.98、0,97和0.95,预测性能均高于传统Logistic回归模型。对特征变量重要性进行排序,得到对预测患者院内死亡风险有意义的前10个特征变量为: 维生素D、乳酸脱氢酶、肌酐、SAPSⅡ评分、血清钙、入住ICU时长、白细胞、年龄、BMI和肌酸激酶。结论使用机器学习构建的死亡风险评估模型对预测重症患者的院内死亡有着积极的意义,并为减少院内死亡,改善患者预后提供有效的依据。     

VA-ECMO患者院内死亡风险预测模型的构建及验证：一项多中心、回顾性、病例对照研究

目的 分析静脉-动脉体外膜肺氧合技术（VA-ECMO）患者死亡危险因素,构建并验证VA-ECMO患者院内死亡风险预测模型。方法 采用便利抽样,选取2015年1月～2022年1月广东省3家三甲综合医院ICU的302例VA-ECMO患者作为研究对象,随机分为建模组201例,验证组101例。运用单因素及多因素Logistic回归分析VA-ECMO患者死亡危险因素,构建VAECMO患者死亡风险预测模型并以列线图形式呈现。使用受试者工作特征曲线（ROC曲线）、校准曲线和临床决策曲线评价模型区分度、一致性及临床有效性。结果 预测VA-ECMO患者院内死亡风险的最终模型包括了高血压（OR=3.694,95%CI 1.582-8.621）、连续性肾脏替代治疗（OR=9.661,95%CI 4.103-22.745）、钠离子（OR=1.048,95%CI 1.003-1.095）、血红蛋白（OR=0.987,95%CI 0.977-0.998）。建模组预测模型的受试者工作特征曲线下面积AUC=0.829(95%CI 0.770-0.889),高于4个单独危险因素（AUC<0.800）、APACHE...     

重症监护病房老年重症肺炎患者肠内营养不耐受的风险预测模型

目的 分析重症监护病房（intensive care unit,ICU）老年重症肺炎（severe pneumonia,SP）患者肠内营养不耐受的危险因素并构建其预测模型。方法 选取2021年1月到2022年12月宁波大学附属第一医院ICU病房老年SP患者140例,根据肠内营养耐受情况分为耐受组（n=82）和不耐受组（n=58）,采用单因素及多因素 Logistic回归分析ICU老年SP患者发生肠内营养不耐受的危险因素,构建风险预测模型,绘制受试者操作特征（receiver operating characteristic,ROC）曲线评估模型预测效果。结果 多因素 Logistic回归分析显示急性胃肠损伤分级（acute gastrointestinal injury,AGI）、腹内压（intra-abdominal pressure,IAP）、使用抗生素≥2种是ICU老年SP患者肠内营养不耐受的独立影响因素（P<0.05)。模型采用Hosmer-Lemeshow 拟合优度检验评估方程拟合效果,曲线下面积为0.867（95%CI：0.750~0.984）,敏感度为87.8%,特异性为85.1%。结论 本研究构建的风险预测模型可有效预测ICU老年SP患者肠内营养不耐受的发生风险。     

基于循证理论构建重症监护病房患者多重耐药菌感染风险预测模型及外部验证研究

背景 既往研究证明多重耐药菌会在重症监护病房（ICU）患者之间交叉传播,患者获得多重耐药菌感染将影响其现有疾病的治疗效果;且临床上对多重耐药菌的检测速度较为缓慢。在此背景下,多重耐药菌感染预测研究应运而生。 目的 基于循证理论构建ICU患者多重耐药菌感染风险预测模型,并回顾性收集真实临床数据对模型进行验证。 方法 采用Meta分析的方法构建模型,即计算机检索PubMed、EMBase、the Cochrane Library、中国知网、万方数据知识服务平台、中文科技期刊数据库和中华医学期刊全文数据库2012年1月至2020年6月发表的有关ICU患者多重耐药菌感染的文献,提取可分析的危险因素,采用Stata/SE 12.0软件对纳入文献的数据进行Meta分析,确定ICU患者多重耐药菌感染的危险因素,并对各个危险因素的合并效应值进行β值转换构建ICU患者多重耐药菌感染风险预测模型。选取上海市第一人民医院2018年1月至2021年6月入住ICU的成年患者3 908例,收集患者的临床资料,构建预测模型,绘制预测模型预测患者多重耐药菌感染的受试者工作特征（ROC）曲线,从而进行预测模型外部验证。 结果 共纳入31篇文献,确定17个危险因素。通过换算公式得到预测模型Logit（P）=-2.476 3+0.086X1〔性别（男）〕+0.191X2（住院史）+0.392X3（从外院转入）+1.723X4（ICU住院天数）+0.315X5（其他感染）+0.385X6（慢性阻塞性肺疾病）+0.131X7（糖尿病）+0.536X8（肾脏疾病）+0.285X9（肾衰竭）+0.565X10（透析）+0.148X11（机械通气）+0.742X12（中央静脉导管）+0.336X13（导尿管）+3.483X14（抗菌药物使用种类）+0.174X15（抗菌药物使用史）+0.975X16（使用碳青霉烯类药物）+1.151X17（使用氨基糖苷类药物）。将3 908例患者数据代入预测模型中进行外部验证,结果显示,灵敏度为64.36%,特异度为80.39%,约登指数为0.447 4,ROC曲线下面积为0.724。 结论 基于循证理论构建包含17个危险因素的ICU患者多重耐药菌感染风险预测模型,该模型预判效果较好,证明基于循证理论构建风险预测模型具有较好的外推性、科学性和实用性,该方案可推广适用于其他疾病的预测研究中。     

个体化预测重症监护室老年患者谵妄的列线图预测模型的建立

目的：分析重症监护室(ICU)老年患者发生谵妄的危险因素,建立风险预测模型并验证其准确性。方法：收集美国重症监护医学信息数据库-Ⅳ的1 216例老年患者,按照3∶1比例随机分为训练集(n=912)和验证集(n=304)。使用Lasso回归和二元Logistic回归分析筛选训练集中谵妄的独立危险因素,绘制列线图模型。采用受试者工作特征曲线(ROC)、校准曲线、决策曲线对训练集和验证集进行内部和外部验证。结果：训练集中谵妄的发生率为32.6%(297/912),年龄、慢性阻塞性肺疾病、急性生理学与慢性健康状况评分系统Ⅱ(APACHEⅡ)评分、应用镇静药物、机械通气是谵妄的独立危险因素。训练集和验证集的ROC曲线下面积分别为0.762(95%CI:0.727～0.797)和0.767(95%CI:0.714～0.820)。校准曲线表明预测结果与实际结果一致性较好,决策曲线分析结果显示模型的净获益率高。结论：本研究建立的ICU老年患者谵妄的列线图预测模型具有良好的预测效能,有助于医护人员判断高危患者并制定针对性的预防措施。     

基于单样本基因富集分析分型构建肺腺癌的风险预测模型

目的研究基于单样本基因富集分析（ssGSEA）分型构建肺腺癌的风险预测模型的价值。方法从癌症基因组图谱（TCGA）数据库及基因表达数据库（GEO）中分别获取515例及116例肺腺癌患者的数据。基于TCGA数据库进行ssGSEA分析及聚类分析,将样本分为高免疫评分组和低免疫评分组,并进行免疫相关分析、富集分析及差异分析,进一步获得免疫相关的差异表达基因。将TCGA数据集患者以7∶3随机分为训练集和内部验证集。基于TCGA训练集的免疫相关差异表达基因数据,通过单因素Cox风险回归、套索算法（Lasso）回归以及多元逐步Cox风险回归分析降维,构建肺腺癌患者预后的预测模型,获得相应的风险分数（Riskscore）,并用TCGA内部验证集及GEO外部验证集进行验证。将Riskscore与临床特征进行独立预后因素分析,建立列线图。ROC曲线与校正曲线分析分别用来评估模型的效能及拟合度。结果根据患者样本的ssGSEA免疫评分、聚类分析及差异分析的结果,患者被分为高免疫评分组和低免疫评分组以及获得1447个差异表达基因。再通过单因素Cox风险回归、Lasso回归以及多元逐步Cox风险回归分析降维,获得剩余8个预后相关免疫差异表达基因的最优集合和每例患者的Risks-core。该风险预测模型在训练集、内部验证集及外部验证集的AUC分别为0.703、0.713、0.750。根据独立预后分析结果,肺腺癌的分期及预测模型的Riskscore是肺腺癌患者的两个独立预后因子并联合绘制列线图。列线图1、3、5年总生存期的AUC分别为0.789、0.763、0.746。校正曲线分析也显示该模型的拟合度较好。结论基于ssGSEA分型构建并验证的肺腺癌患者预后风险预测模型,具有较高的预后风险预测效能,可为临床医师判断肺腺癌患者总生存期提供辅助工具。     

产后压力性尿失禁风险预测模型的外部验证研究

背景本研究团队前期分别开发了针对初产妇和经产妇的产后压力性尿失禁（SUI）风险预测模型,旨在早期识别孕产妇SUI的高危人群并提供有效干预,但尚未进行外部验证。目的外部验证前期开发的产后SUI风险预测模型,探索该模型在临床应用的可能性。方法于2020年7—9月在南方医科大学深圳医院、香港大学深圳医院进行电话随访,通过电子病历系统选取产后6个月的产妇作为验证组进行产后SUI风险预测模型的外部验证。使用电子医疗记录收集研究对象年龄、身高、妊娠前体质量、流产史和分娩史的相关信息;并通过电话随访调查研究对象产后6个月SUI发生情况。采用受试者工作特征（ROC）曲线下面积（AUC）和Hosmer-Lemeshow拟合优度检验分别评价产后SUI风险预测模型区分度和校准度。结果最终纳入298例研究对象为验证组,其中初产妇203例（68.1%）,经产妇95例（31.9%）。初产妇队列中,非SUI者158例,SUI者45例。经产妇队列中,非SUI者72例,SUI者23例。产后SUI风险预测模型在初产妇外部验证人群中AUC为0.719〔95%CI（0.643,0.795）〕,在经产妇外部验证人群中AUC为0.833〔95%CI（0.738,0.928）〕。Hosmer-Lemeshow拟合优度检验提示产后SUI风险预测模型在初产妇人群中校准欠佳（χ2=34.11,P<0.001）,而在经产妇人群中拟合度良好（χ2=9.62,P=0.293）。结论初产妇产后SUI预测模型能有效区分患者是否发生产后SUI,但尚需进一步更新以提高模型的外部适用性;经产妇产后SUI预测模型具有可接受的外部效能,鼓励将其作为产后早期盆底康复干预的评估工具进行推广。     

碳青霉烯类耐药肺炎克雷伯菌感染死亡风险预测模型的建立及其对患者预后的预测价值研究

背景　肺炎克雷伯菌是院内感染常见致病菌，碳青霉烯类抗生素是治疗其感染的“最后一道防线”。近年来由于抗生素尤其是耐碳青霉烯类的过量暴露，碳青霉烯类耐药肺炎克雷伯菌（CRKP）引起的院内感染增加，其检出率亦随医疗技术的进步而逐年增加。CRKP感染后，临床可供选择的敏感抗生素屈指可数，且抗感染治疗效果不佳，死亡率也随之上升。目的　探究CRKP感染患者发生死亡的危险因素，建立CRKP感染死亡风险预测模型，并评估该模型对患者预后的预测价值。方法　收集2017年1月-2019年4月西安交通大学第二附属医院收治的199例CRKP感染患者的临床资料。将2017年1月-2018年12月收治的患者作为建模组（n=138），2019年1-4月收治的患者作为验证组（n=61）。将建模组的患者依据离院时状态分为存活亚组、死亡亚组，分别为104例和34例。比较存活亚组和死亡亚组患者一般资料、基础疾病、入院前治疗情况、住院期间并发症、有创治疗情况、初始治疗（3 d）后血生化指标及体温、入院后治疗情况等。采用多因素Logistic回归分析探究CRKP感染患者发生死亡的影响因素，并依据多因素Logistic回归分析结果的相关系数建立CRKP感染死亡风险预测模型，分别绘制CRKP感染死亡风险预测模型预测建模组及验证组患者发生死亡的受试者工作特征（ROC）曲线。结果　建模组患者死亡率为24.6%（34/138），验证组患者死亡率为24.6%（15/61）。多因素Logistic回归分析结果显示，住院期间并发多器官功能障碍综合征（MODS）、初始治疗后急性生理学与慢性健康状况评分系统Ⅱ（APACHEⅡ）评分≥14分、使用血管活性药物是CRKP感染患者发生死亡的影响因素（P<0.05）。CRKP感染死亡风险预测模型回归方程=住院期间并发MODS×2.4+（初始治疗后APACHⅡ评分≥14分）×1.5+使用血管活性药物×2.0。将CRKP感染死亡风险预测模型应用于建模组患者，H-L检验P值为0.866；应用于验证组患者，H-L检验P值为0.807。CRKP感染死亡风险预测模型预测建模组患者发生死亡的ROC曲线下面积（AUC）为0.851〔95%CI（0.774，0.928）〕，最佳截断值为2.75，灵敏度为84.4%，特异度为76.0%，约登指数为0.584。CRKP感染死亡风险预测模型预测验证组患者发生死亡的AUC为0.966〔95%CI（0.894，1.000）〕，最佳截断值为2.95，灵敏度为100%，特异度为87.0%，约登指数为0.870。结论　住院期间并发MODS、初始治疗后APACHEⅡ评分≥14分、使用血管活性药物是CRKP感染患者发生死亡的独立危险因素，依据上述指标拟合出的CRKP感染死亡风险预测模型对CRKP感染患者预后具有较好的预测价值。