| 摘 要： | 目的：利用机器学习法分析两种透析质量持续达标评估方法对维持性血液透析(HD)患者预后的影响。
方法：筛选2016年1月在国家肾脏疾病临床医学研究中心接受HD治疗,且每年完成至少3次透析质量评估的患者。随访截止至2022年10月,终点事件为全因死亡。采用指标达标时长比和指标达标波动值作为9种透析质量指标(透析间期体重增长率、透析前收缩压、血红蛋白、血清白蛋白、血总二氧化碳、血钙、血磷、血全段甲状旁腺激素和单室尿素清除率)持续达标的评估方法,基于机器学习算法构建HD患者1年后存活或死亡的预测模型,并获得模型最佳概率阈值。
结果：本队列研究共纳入240例HD患者,60例(25.0%)患者死亡。采用K-近邻算法（KNN）、随机森林（RandomForest）、极度随机树（ExtraTrees）、极限梯度提升树（XGBoost）、自适应增强（AdaBoost）和决策树（DecisionTree）六种机器学习法,分别构建基于透析质量指标达标时长比和指标达标波动值的预测模型。基于指标达标时长比的ExtraTrees模型具有最佳的预测效果,其准确率、精确率、召回率、F1分数和受试者工作曲线下面积分别达到0.92、0.86、0.96、0.91和0.93,同时证实0.65作为模型的最佳概率阈值。
结论：基于透析质量指标达标时长比的机器学习模型对HD患者预后具有良好的预测效果。
|
