基于KNN和RF算法构建危重患者全因死亡预测模型的研究

目的评估机器学习算法对单中心危重患者全因死亡率的预测性能。方法采用美国大型重症医学数据库MIMIC-III作为数据来源,建立基于机器学习的K最近邻(KNN)和随机森林(RF)开发评估重症患者预后的预测模型,并与传统的简化急性生理评分-II(SAPS-II)进行比较。使用Boruta进行特征变量的筛选,通过交叉验证对模型性能进行评估,主要研究结局为危重患者90d死亡率。结果研究纳入30833例患者,SAPS-II评分中位数(四分位间距)]为33(25~43),其中5534例(17.9%)患者在进入ICU后90d内死亡。3种模型得到的AUC值分别为:SAPS-II模型0.75±0.03,KNN模型0.75±0.03,RF模型0.80±0.03。结论与传统的SAPS-II评分相比,机器学习算法中的RF模型可以更精准地预测危重患者的预后。