机器学习模型预测心脏外科手术患者术后谵妄的有效性

目的 基于机器学习算法建立心脏外科手术患者术后谵妄(POD)风险预测模型,并验证其有效性。方法 选择2021年5—12月择期行心脏外科手术患者710例,男468例,女242例,年龄≥18岁,ASAⅠ—Ⅳ级。采用医疗电子信息系统收集患者资料。记录术前抑郁筛查量表(PHQ-9)评分、广泛性焦虑障碍量表(GAD-7)评分以及简易精神状态检查量表(MMSE)。将采集的整个数据集按照训练集(75%)和测试集(25%)的比例进行划分,其中训练集和测试集中POD发生率相同。建立6种机器学习模型,包括梯度提升决策树(GBDT)、支持向量机(SVM)、随机森林(RF)、逻辑回归(LogR)、K最邻近法(KNN)、深度神经网络(DNN),基于这6种算法以5折交叉验证的方式对训练数据集的数据进行模型的学习训练,通过测试数据集的数据对模型性能进行验证。基于准确率、精确率、召回率、F1分数、受试者工作特征曲线(ROC)及ROC曲线下面积(AUC)比较不同模型的有效性,并找出适合本研究数据框架的最佳模型。结果 有151例(21.3%)心脏外科手术患者中发生POD。本研究进行了6个机器学习模型的性能比较,在使用全部...