基于超声影像组学及临床特征的可解释性机器学习模型预测乳腺癌新辅助化疗疗效

目的 探讨基于乳腺癌原发灶超声影像组学特征联合临床病理因素构建的机器学习模型预测乳腺癌新辅助化疗(NAC)病理完全缓解的临床价值。方法 回顾性纳入272例术前接受NAC治疗且有病理检查结果的乳腺癌患者,从超声图像中提取并筛选影像组学特征后构建影像组学评分,基于多因素Logistic回归分析、XGBoost、决策树、随机森林、支持向量机等机器学习算法,评分联合临床病理特征构建乳腺癌患者NAC疗效的预测模型并对模型性能加以验证。结果 受试者工作特征曲线显示,基于随机森林算法构建的联合模型预测性能最佳(训练集AUC:0.855,测试集AUC:0.844)。决策曲线分析表明,随机森林模型具有更高的临床获益。SHAP分析显示,对模型预测结果贡献程度最大的3个变量依次为影像组学评分值、Her-2、ER。结论 基于超声影像组学特征构建的机器学习模型可协助评估乳腺癌患者NAC疗效,随机森林模型在诊断性能和临床实用性方面表现最佳。     

基于机器学习算法的胃癌淋巴结转移预测模型研究

目的 基于4种机器学习(ML)算法构建胃癌淋巴结转移的预测模型并验证。方法 回顾性收集531例胃癌根治术患者的临床资料,按3∶1比例将患者随机分为训练集399例和测试集132例。通过单因素分析筛选胃癌淋巴结转移的特征选择变量,分别建立逻辑回归、随机森林、K-邻近算法、支持向量机算法模型并进行变量重要性排序。将所有ML算法模型在测试集中进行验证,绘制受试者工作特征(ROC)曲线,基于曲线下面积(AUC)、灵敏度、特异度、准确度确定最优ML算法模型。基于最优ML算法模型的变量重要性排序构建列线图模型,通过ROC曲线、校准曲线、决策曲线评价列线图模型的区分能力、校准能力和临床适用性。结果 4种ML算法模型比较结果显示,随机森林模型为最优算法模型,其在训练集中的准确度、灵敏度、特异度分别为72.7%、69.9%、75.0%,AUC为0.803,其在测试集中的准确度、灵敏度、特异度分别为64.4%、66.7%、62.5%,AUC为0.751。基于随机森林算法模型的变量构建列线图模型,ROC曲线显示列线图模型在训练集、测试集中的AUC分别为0.721、0.776,校准曲线和决策曲线显示列线图模型在...     

基于超声影像组学鉴别小儿肝移植后淋巴组织增生性疾病与淋巴结反应性增生

目的 基于超声影像组学特征,建立机器学习模型鉴别小儿肝移植后淋巴组织增生性疾病(PTLD)与淋巴结反应性增生。方法 回顾性分析小儿肝移植后经病理证实的112例PTLD及93例淋巴结反应性增生患者颈部增大淋巴结的二维超声图像。提取影像组学特征构建随机森林、支持向量机、决策树及逻辑回归模型。比较常规超声与4种模型的诊断效能。结果 每个淋巴结共提取118个影像组学特征,筛选7个最优特征建立4种机器学习模型。其中随机森林模型的诊断效能最好,优于常规超声[受试者操作特征(ROC)曲线下面积：0.816 vs 0.613,Z=5.991,P<0.05],模型的灵敏度、特异度及准确度分别为95.7%、68.6%及86.0%。结论 基于超声影像组学的随机森林模型对小儿肝移植后PTLD与淋巴结反应性增生有较好的鉴别诊断价值。     

随机森林模型预测急性心肌梗死后急性肾损伤

目的:建立随机森林模型预测急性心肌梗死（acute myocardial infarction,AMI）患者并发急性肾损伤（acute kidney injury, AKI）。方法:使用温州医科大学附属东阳医院大数据平台,筛选出1 363例患AMI的病例,确定30个变量后,统计分析样本临床特点,将样本划分为75%的训练集建立随机森林模型,以及25%的测试集进行验证,使用R语言进行数据的筛选及模型的建立。最后根据特异性、敏感性、准确性、受试者特征工作特征曲线(relative operating characteristic curve, ROC曲线)等来评估模型性能,同时与其他三种常用的机器学习算法（神经网络,朴素贝叶斯,支持向量机）的模型性能进行比较。结果:AMI合并AKI的患者的人口学信息、心血管疾病的危险因素、入院时的生命体征、实验室检查等与未合并急性肾损伤的患者存在差异性。模型评估后得出测试集的ROC曲线下面积为0.893,特异度为0.791,灵敏度为0.866,其中入院首次肌酐、首次尿素、D-二聚体、年龄、机械通气是其最重要的影响因素。在本研究中,多种机器学习算法比较后,随机森林模型较有优势。结论:建立的随机森林模型具有帮助预测AMI并发AKI的潜力。     

随机森林模型预测急性心肌梗死后急性肾损伤

目的:建立随机森林模型预测急性心肌梗死（acute myocardial infarction,AMI）患者并发急性肾损伤（acute kidney injury, AKI）。方法:使用温州医科大学附属东阳医院大数据平台,筛选出1 363例患AMI的病例,确定30个变量后,统计分析样本临床特点,将样本划分为75%的训练集建立随机森林模型,以及25%的测试集进行验证,使用R语言进行数据的筛选及模型的建立。最后根据特异性、敏感性、准确性、受试者特征工作特征曲线(relative operating characteristic curve, ROC曲线)等来评估模型性能,同时与其他三种常用的机器学习算法（神经网络,朴素贝叶斯,支持向量机）的模型性能进行比较。结果:AMI合并AKI的患者的人口学信息、心血管疾病的危险因素、入院时的生命体征、实验室检查等与未合并急性肾损伤的患者存在差异性。模型评估后得出测试集的ROC曲线下面积为0.893,特异度为0.791,灵敏度为0.866,其中入院首次肌酐、首次尿素、D-二聚体、年龄、机械通气是其最重要的影响因素。在本研究中,多种机器学习算法比较后,随机森林模型较有优势。结论:建立的随机森林模型具有帮助预测AMI并发AKI的潜力。     

基于颅脑T1WI对比增强图像构建卷积神经网络模型鉴别肺癌与乳腺癌脑转移

目的 分析基于对比增强颅脑T1WI(T1CE)构建的卷积神经网络(CNN)模型鉴别肺癌与乳腺癌脑转移的效能。方法 回顾性分析97例经手术病理证实的乳腺癌脑转移(39例)与肺癌脑转移(58例)患者，于颅脑T1CE中手动勾画病灶ROI并提取其影像组学特征，采用单因素分析及最小绝对收缩和选择(LASSO)算法进行特征降维，筛选最优特征；分别构建传统机器学习支持向量机(SVM)、随机梯度下降(SGD)、K邻近(KNN)、决策树(DT)、随机森林(RF)、极端随机树(ET)、逻辑回归(LR)模型及深度学习CNN模型，将按7∶3数据分为训练集和验证集，采用受试者工作特征(ROC)曲线评估8种模型鉴别验证集中肺癌与乳腺癌脑转移的效能。结果 共纳入202个脑转移癌，含乳腺癌、肺癌脑转移各101个。基于颅脑T1CE提取1 050个特征，经单因素分析及LASSO算法降维后得到5个最优特征；以之构建的SVM、SGD、KNN、DT、RF、ET、LR及CNN模型鉴别验证集肺癌与乳腺癌脑转移的曲线下面积(AUC)分别为0.88、0.83、0.87、0.74、0.84、0.86、0.88及0.90,其中CNN模型的...     

基于机器学习技术利用常规检验数据建立肺结核鉴别诊断方法

目的探讨利用常规检验数据建立肺结核疾病鉴别诊断模型的应用价值。方法采用回顾性调查研究方法, 收集2015年5月至2021年11月就诊于北京积水潭医院和北京和平里医院初诊为肺结核和其他肺部疾病患者的常规检验数据。共纳入11 516例患者数据, 通过计算机产生随机数方法以9∶1比例分为训练集和测试集。使用支持向量机、随机森林、K最近邻和逻辑回归4种机器学习算法进行模型测试和特征选择, 采用十折交叉验证法验证模型诊断准确度, 并采用受试者工作特征(ROC)曲线下面积(AUC)评价模型诊断效能。结果本研究选择随机森林作为最优机器学习算法构建肺结核鉴别诊断的最佳特征模型。通过模型特征重要性排序, 选择37个非特异性检验项目构成肺结核鉴别诊断模型, 其验证集和测试集曲线下面积分别为0.747和0.736, 敏感度为68.03%和68.75%, 特异度为70.91%和67.90%, 准确度为70.30%和68.12%。结论基于机器学习算法利用常规检测数据是肺结核疾病鉴别诊断的一个有效工具, 但其应用价值还有待于更多医疗机构数据做进一步验证。     

基于CT影像组学和集成学习预测肝细胞癌微血管侵犯的研究

目的：研究计算机断层扫描（computed tomography,CT）影像组学的集成学习模型和融合模型方法模型在术前预测肝细胞癌（hepatocellular carcinoma,HCC）患者的微血管侵犯（microvascular invasion,MVI）状态的应用价值。方法：选取广西医科大学附属肿瘤医院2017年1—12月收治的孤立性HCC患者218例。通过ITK-SNAP软件勾画CT资料静脉期的肝脏肿瘤边缘,使用Python(3.8.1)提取影像组学特征,采用t检验,最小绝对收缩、算子回归算法和梯度下降树进行影像组学特征筛选。最后使用6种集成学习算法构建预测模型,并通过模型融合的方法构建了基于6种模型的融合预测模型。结果：共提取出组学特征1 046个,经过t检验,最小绝对收缩和算子回归和梯度下降树筛选出10个最重要影像组学特征。基于10个特征构建的梯度提升决策树、随机森林、极端梯度提升算法、极端随机树、轻梯度提升算法、自适应增强算法模型在验证集的曲线下面积（area under curve,AUC）值分别为0.79、0.81、0.80、0.78、0.76和0.77,6种集成学...     

基于列线图及机器学习的免疫检查点抑制剂相关性肺炎风险预测模型构建及验证

目的运用机器学习算法及列线图, 构建和验证免疫检查点抑制剂相关性肺炎(CIP)风险预测模型, 旨在为更好的辅助临床护理人员筛查CIP的高危人群, 提供准确直观的方法。方法采用回顾性病例对照研究。选取2019年1月至2022年2月南方医科大学珠江医院就诊的230例使用免疫检查点抑制剂治疗的肿瘤患者, 使用医院电子病历系统收集患者的资料。应用5种机器学习算法和列线图构建预测模型, 在独立测试集进行模型的验证, 最后依据评价指标AUC、准确率等评估预测模型的区分度及稳定性。结果 6种模型均提示, 肺部基础疾病、吸烟史、血清白蛋白值≤35 g/L、胸部放疗史是促进CIP发生的重要影响因素。K最近邻、支持向量机(SVM)、朴素贝叶斯、决策树和随机森林构建的CIP预测模型的AUC分别为0.647、0.696、0.930、0.870、0.934。列线图构建的模型AUC为0.813, 预测性能较好, 但低于机器学习算法中表现最佳的随机森林模型(AUC=0.934)。结论与列线图相比, 基于机器学习算法建立的CIP的风险预测模型具有更高的诊断价值, 但列线图构建的模型可更直观评估患者风险, 建议在列线图...     

基于超声影像组学的早产儿脑白质损伤诊断模型研究

目的通过构建基于灰阶超声影像组学特征的早产儿脑白质损伤诊断模型, 评价超声影像组学在早产儿脑白质损伤诊断中的临床应用价值。方法回顾性纳入2018年8月至2022年4月华中科技大学协和深圳医院和南方医科大学深圳医院住院的256例早产儿为研究对象。使用计算机生成的随机数按照6∶4的比例分配为训练集及验证集。在规范性采集颅脑灰阶超声图像的基础上, 使用Pyradiomics 3.0.1软件包从颅脑的感兴趣区域提取影像组学特征。采用Mann-WhitneyU检验、最小绝对收缩和选择算法(LASSO)联合逐步回归分析筛选与早产儿脑白质损伤相关的最优特征, 应用Logistic逻辑回归构建超声影像组学模型。以MRI结果作为参考标准, 绘制ROC曲线分析模型诊断性能。对验证集的患儿头颅超声影像先由一名高年资超声医师、一名低年资超声医师独立诊断, 之后上述两名不同年资医师在影像组学模型辅助下再次诊断, 比较超声影像组学模型与不同年资超声医师及在影像组学模型辅助下不同年资超声医师对早产儿脑白质损伤的诊断性能。结果最终精选出5个影像特征构建超声影像组学模型, 训练集与验证集影像组学模型的敏感性、特异性、准...     

基于超声影像组学的乳腺癌预测模型的诊断性能研究

目的评估并比较基于不同机器学习算法建立的乳腺癌超声影像组学预测模型的诊断性能。 方法回顾性收集2017年1月至2019年4月就诊皖南医学院第一附属医院、有明确病理结果的乳腺肿块病例828例，以2018年8月31日为节点将其分为训练集（526例）和验证集（302例），提取肿块的超声影像组学特征并进行特征筛选，运用k最近邻（kNN）、逻辑回归（LR）、朴素贝叶斯（NB）、随机森林（RF）和支持向量机（SVM）5种机器学习算法分别建立预测模型，使用重复交叉验证方法做内部验证，计算比较各模型的敏感度、特异度、阳性预测值（PPV）和阴性预测值（NPV），并实施外部验证，绘制ROC曲线并比较ROC曲线下面积（AUC）以评价模型的鉴别诊断性能，绘制校准曲线评价模型校准度。 结果从提取的109个影像组学特征中筛选出19个特征建立了5种机器学习算法模型。在内部验证中，5种模型的敏感度、特异度、PPV、NPV比较，总体差异均有统计学意义（P均＜0.001）。LR模型的特异度、PPV、NPV中位数分别为0.769、0.816、0.778，3项指标均高于其他4种模型；敏感度中位数为0.824，高于kNN、RF和SVM模型。此外，SVM模型的特异度、PPV、NPV中位数分别为0.706、0.774、0.759，虽均低于LR模型，但均高于其他3种模型。在外部验证中，LR、SVM、RF、kNN和NB的AUC依次为0.890、0.832、0.821、0.746和0.703，其中LR与SVM的AUC差异有统计学意义（P=0.012）；此外，各模型在校准性能上表现并不一致，LR和SVM模型的校准曲线显示乳腺癌实际概率与预测概率之间的一致性较好。 结论以超声影像组学特征为基础，运用不同机器学习算法建立的乳腺癌超声预测模型，均表现出较高的诊断性能，其中LR模型表现最为突出；选择合适的机器学习算法有助于进一步提高预测模型的诊断性能，提供更加准确的量化预测结果。     

基于机器学习的慢性阻塞性肺疾病急性加重预测模型的研究

目的 针对慢性阻塞性肺疾病急性加重期(AECOPD)患者肺功能检测存在误差大、准确性差的问题,开发AECOPD患者的肺功能预测模型,通过比较不同机器学习模型的预测性能,找到最优的模型。方法 选取2018年1月至2020年2月南京医科大学附属苏州科技城医院不同患病程度的慢性阻塞性肺疾病(COPD)患者90例。利用6种机器学习算法(K-最近邻、逻辑回归、支持向量机、朴素贝叶斯、决策树和随机森林)建立预测分类模型,比较受试者工作特征曲线下面积(AUC-ROC)和准确性。采用10折交叉验证对数据集进行验证。结果 基于随机森林的模型相较于其他模型预测性能最佳,准确率达到0.844,AUC-ROC为0.916。结论 基于随机森林的预测模型能够辅助临床医生在难以给出确切诊断时提供决策支持。     

基于随机森林的男性急性心肌梗死诊断模型建立及验证

目的利用随机森林建立及验证男性急性心肌梗死诊断模型。 方法检测2016年1至6月于武汉大学人民医院心内科住院的205例心绞痛或急性心肌梗死男性患者的血清生化及生物标志物指标,其中151例患者作为训练集,54例患者作为验证集。用随机森林对指标预测急性心肌梗死的重要性进行排序。根据袋外数据误差,赤池信息量准则和贝叶斯信息量准则对排序指标进行筛选并构建诊断模型;多维标度法(MDS)观察模型对急性心肌梗死和心绞痛的区分能力;用验证集数据验证模型对心绞痛和急性心肌梗死的鉴别能力。 结果19个指标根据平均准确度下降程度和平均基尼(Gini)指数下降程度进行重要性排序。用袋外数据误差,赤池信息量准则和贝叶斯信息量准则筛选出C-反应蛋白、中性粒细胞绝对值和血糖3个变量,并纳入模型。通过MDS法观察到多半样本得到良好的区分,但部分样本仍难以区分开。在外部验证中,31例急性心肌梗死患者有26例(83.87%)被正确识别;在23例心绞痛患者中有19例(82.61%)被正确识别。 结论基于随机森林的诊断模型建立能较好区分急性心肌梗死与心绞痛。     

机器学习鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌

目的 探讨基于影像组学特征构建的机器学习模型鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌的可行性。方法 回顾性分析经手术病理证实的87例CT表现为纯磨玻璃结节的肺腺癌患者，其中浸润性腺癌32例，非浸润性腺癌55例（原位癌17例，微浸润性腺癌38例）。应用ITK-SNAP软件勾画ROI，A.K.软件提取影像组学特征。筛选有意义的特征参数，以Spearman相关性分析和Lasso回归分析进行特征降维。选取降维后的特征参数，分别构建支持向量机（SVM）、随机森林（RF）及逻辑回归（LR）3种机器学习模型，采用十折交叉验证法得到最优模型，绘制ROC曲线，评价3种模型的性能。结果 共提取396个影像组学特征，通过特征筛选后最终得到19个影像组学特征。SVM、RF、LR 3种机器学习模型可有效鉴别浸润性腺癌与非浸润性腺癌，准确率分别为93.30%、86.70%和83.30%，AUC分别为0.94、0.92和0.83。结论 基于影像组学特征构建的机器学习模型有较好的分类性能，可于术前有效鉴别肺浸润性腺癌与非浸润性腺癌。     

基于特征筛选与机器学习的医疗保险报销比例预测研究

目的 对国家医疗保障疾病诊断相关分组中胸部大手术组的医疗保险报销比例进行数据驱动的辅助预测,为医疗保险经办机构及医疗机构精准有效地预测按病种分组医保支付情况提供参考。方法 以四川省某大型三甲医院2020年的胸部大手术病例信息为样本,通过多元线性回归模型和基于特征筛选的机器学习改进方法,将全部数据集的70%作为训练数据集,30%作为测试数据集,对医保支出情况进行预测。结果 随机森林、Logistic回归、支持向量机三种机器学习方法在筛选特征数量相同时,预测效果无统计学差异。预测效果最优的模型准确率为78.96%,敏感性为83.93%,特异性为71.27%,精确度为0.818 8,AUC值为0.841 4,Kappa值为0.610 8。结论 疾病诊断数量、手术操作数量及患者年龄对报销比例影响较大。治疗费、材料费、手术费及西药费为住院费用的主要方面。基于特征筛选的机器学习改进方法优于传统的统计线性模型,且选取合适的特征数量能够使模型在较高的效率下达到更好的预测效果。     

机器学习在鉴别肺纯磨玻璃结节浸润性腺癌与非浸润性腺癌中的应用

目的 研究基于影像组学特征构建的机器学习模型对鉴别肺纯磨玻璃结节浸润性腺癌与非浸润性腺癌的价值。方法 回顾性分析经手术病理证实的87例CT表现为纯磨玻璃结节的肺腺癌，其中浸润性腺癌32例，非浸润性腺癌55例（包括原位癌17例，微浸润性腺癌38例）。应用ITK-SNAP软件勾化感兴趣区（ROI），A.K.软件（Artificial Intelligent Kit，GE health）进行影像组学特征提取。采用单因素方差分析、秩和检验及t检验筛选有意义的特征参数，Spearman相关性分析和Lasso回归分析进行特征降维。选取降维后的特征参数分别构建支持向量机（SVM）、随机森林（RF）、逻辑回归（LR）三种机器学习模型，采用十折交叉验证法得到最优模型，并绘制ROC曲线用于评价三种模型的性能。结果 共提取396个影像组学特征，通过特征筛选后最终得到19个影像组学特征。SVM、RF、logistics回归三种机器学习模型可以有效鉴别两组病变，准确率（Accuracy）依次为93.30%、86.70%、83.30%，曲线下面积（AUC）分别为0.94、0.92、0.83。结论 基于影像组学特征构建的机器学习模型有较好的分类性能，说明利用机器学习的方法可以在术前有效的鉴别浸润性腺癌与非浸润性腺癌。     

基于脂肪抑制增强T1WIDelta影像组学预测鼻咽癌患者放射治疗后口干分级

目的 基于脂肪抑制(FS)增强T1WI构建预测放射治疗(放疗)后鼻咽癌(NPC)患者口干级别的Delta影像组学模型，并评估其效能。方法 回顾性分析227例于诱导化学治疗(IC)后接受放疗或同步放化疗(CCRT)NPC患者IC前2周内及IC结束后鼻咽部MRI。于放疗结束后1周根据放射治疗肿瘤协作组标准评估患者口干分级(0～4级),将0、1级口干归为轻度口干(n=81),≥2级口干归为重度口干(n=146)。基于IC前、后FS增强T1WI提取双侧腮腺影像组学特征，计算Delta影像组学特征值。采用最小绝对收缩和选择算子和随机森林算法降维，筛选最优Delta影像组学特征，构建Delta影像组学模型。按8∶2比例将患者分为训练集(n=182)及测试集(n=45),绘制受试者工作特征(ROC)曲线，计算曲线下面积(AUC),评估Delta影像组学模型预测训练集及测试集NPC患者放疗后口干分级的效能；绘制校准曲线，评估模型性能。结果 分别基于IC前、后FS增强T1WI提取2 286个影像组学特征，最终筛选出8个最优Delta影像组学特征并以之构建模型，其预测训练集和测试集NPC患者放疗后口干分级...     

基于MRI影像组学预测肝泡型包虫病边缘微血管侵犯

目的 评估基于MR T2WI影像组学模型预测肝泡型包虫病（HAE）病灶边缘微血管侵犯的价值。方法 回顾性分析89例经术后病理证实的HAE患者,其中32例病灶边缘存在微血管侵犯、57例无侵犯。提取病灶MR T2WI影像组学特征,以方差阈值法和单变量选择法筛选最优特征,以随机森林（RF）、极限梯度增强树（XGBoost）和逻辑回归（LR）三种分类器构建预测HAE病灶边缘微血管侵犯的机器学习（ML）模型。按8：2比例将患者分为训练集（n=70）和测试集（n=19）,验证模型的预测效能;绘制受试者工作特征（ROC）曲线,计算其曲线下面积（AUC）。结果 共提取1 409个影像组学特征,经特征降维选出7个最优影像组学特征,并以之构建模型。ROC曲线显示,XGBoost模型在训练集及测试集中的AUC分别为0.96和0.89。结论 基于MR T2WI影像组学XGBoost模型可有效预测HAE病灶边缘微血管侵犯。     

基于结构MRI和机器学习的阿尔茨海默病病程分类研究

目的 利用机器学习算法对阿尔茨海默病(Alzheimer's disease,AD)病程进行分类,为临床早期诊断AD提供辅助工具.材料与方法 将AD病程分为正常认知者、早期轻度认知障碍、晚期轻度认知障碍和AD 4组,收集这些研究对象的结构磁共振成像(structure magnetic resonance imaging,sMRI)数据,在此基础上加入年龄、性别、教育水平和简易智力状态检查(Mini-Mental State Examination,MMSE)评分,然后分别基于两个数据集用L1正则化支持向量机(L1 regularized support vector machine,L1-SVM)算法进行特征选择得到对分类组贡献最大的特征,将提取到的特征子集放入误差逆传播(back propagation,BP)神经网络模型中进行分类,并且与逻辑回归、随机森林、支持向量机3种机器学习模型作对比.用十折交叉验证法比较4种模型的准确率并给出最优组合模型的特异度、敏感度和AUC值.结果 加入3项人口统计学指标和MMSE评分的特征集优于仅具有sMRI的特征集,此外,BP神经网络算法与L1-SVM特征选择算法结合的分类准确率优于其他机器学习模型,尤其是在从正常认知功能向AD转化的过程中,BP神经网络的准确率高达98.90％,敏感度98.75％,AUC值1.00.不同分类组之间略有差异.结论 L1-SVM和BP神经网络组合模型可以用于AD早期诊断,并且AD进展转化的每一阶段的相关特征数据为临床基础研究和病理变化提供了依据.     

ICU患者压力性损伤风险预测模型的系统评价

目的 系统评价ICU患者压力性损伤风险预测模型,为相关预测模型的构建、应用及优化提供参考依据。 方法 全面检索Cochrane Library、PubMed、Embase、CHINAL、Web of Science、中国知网、维普、万方和中国生物医学文献数据库中发表的与ICU患者压力性损伤风险预测模型相关的文献,检索时限为建库至2020年12月31日。由2名研究人员严格按照纳入与排除标准独立筛选文献并提取资料,使用预测模型构建研究数据提取和质量评价清单对纳入文献的质量进行评价。 结果 共纳入15篇文献,包括28个ICU患者压力性损伤风险预测模型,其中20个模型的受试者工作特征曲线下面积在验模过程中均>0.7。性别、年龄、糖尿病史、机械通气、ICU住院时间是进入模型最多的预测因子。 结论 ICU患者压力性损伤风险预测模型研究整体质量较高、模型性能好。男性、高龄、有糖尿病史、机械通气、ICU住院时间长是ICU患者发生压力性损伤的高危因素。护理人员应结合临床实际情况选择预测模型,尽早识别压力性损伤风险并采取针对性的预防措施。