| 摘 要： | 目的 急性肾损伤(acute kidney injury,AKI)是重症监护病房(intensive care unit,ICU)最常见的并发症和致死因素之一.准确预测具AKI风险的患者,明确与AKI发生相关的关键因素,可为临床决策与风险患者干预提供有效指导.方法 采用公开的重症监护室数据库MIMIC-III,提取30020例患者记录(包括AKI患者17222名,Non-AKI患者12798名),收集其住ICU期间基本信息、生理生化指标、药物使用、合并症等临床信息.将患者按4:1比例随机划分训练集和独立测试集,应用逻辑回归、随机森林与LightGBM 3种机器学习方法,分别建立24 h、48 h与72 h 3个时间点的AKI预测模型,采用十折交叉验证法,对各种模型进行训练与测试,预测患者是否发生AKI,并获取重要特征.此外,利用24 h预测模型,在一周时间窗口内对ICU患者进行每隔24 h预测.结果 3种学习模型中,LightGBM性能最优,其24 h、48 h和72 h模型预测AKI的受试者工作特征曲线(receiver operator characteristic curve,ROC曲线)下面积(area under curve,AUC)值分别为0.90、0.88、0.87,F1值分别为0.91、0.88、0.86,在每隔24 h预测时,提前1 d、2 d和3 d预测AKI的成功率分别为89％、83％、80％.已住院时长、体质量、白蛋白、收缩压、碳酸氢盐、葡萄糖、白细胞计数、体温、舒张压、血尿素氮等是预测ICU患者AKI的重要特征,仅使用24个重要特征,模型仍能取得良好的预测性能.结论 基于ICU患者的基本信息、生理生化指标、药物使用及合并症等临床信息,应用机器学习模型,可对其是否发生AKI进行多时间点的有效预测,并明确其关键风险因素.
|
