基于随机森林算法构建腰椎后路椎间融合术后感染预测模型

【摘要】 目的：利用随机森林算法对腰椎后路椎间融合术后发生感染的相关危险因素进行分析并制定预测模型，为临床预防腰椎后路椎间融合术后手术部位感染（surgical site infection，SSI）的发生提供参考依据。方法：回顾性研究北京中卫云医疗数据分析与应用技术研究院经过数据处理分析提供的2019年6月～2021年6月在河北医科大学第一医院、第二医院、第三医院等河北省及北京市共15家三级甲等医院脊柱外科住院接受腰椎后路椎间融合术治疗患者的脱敏数据资料。统计分析比较感染组（SSI）和非感染组（non-SSI）的分类数据，得到对术后感染具有显著影响的变量，使用SPSS Modeler 20数据建模系统作为工具，采用随机森林（RF）算法进行分析，得到术后感染的患者特征，即感染模型。结果：本研究共纳入8764例患者数据，其中373例患者被诊断为SSI，发病率为4.4%（95%CI，2.2%～6.5%）。经过Logistic回归模型分析多个自变量与因变量的相关性，确定六个变量包括肥胖、美国麻醉师协会（American Society of Anesthesiologists，ASA）分级Ⅲ级及以上、手术时间延长、慢性心脏病、糖尿病和肾功能不全]与SSI独立相关。以随机森林模型进行分类可获得较高的精度，为90.6％，腰椎后路椎间融合术后易发生感染的患者特征，即两种感染模式：（BMI=1） and （SD=1） and （ASA=1） and （RI=1）] or （BMI=0） and （SD=1） and （DM=1） and （RI=1）]。结论：随机森林分类算法应用于本研究可获得90.6％的平均精度，并得到两种感染模型，（1）患者肥胖，肾功能不全，ASA分级Ⅲ级及以上，且手术时间≥3h；（2）患者无肥胖，但同时患糖尿病、肾功能不全，且手术时间≥3h。

Development of a prediction model of surgical site infection after posterior lumbar interbody fusion in patients based on random forest algorithm