目的利用机器学习算法构建急诊科患者脓毒症早期心脏骤停风险预测模型,提高患者救治质量与效率。方法该研究以2020年1月1日至2023年6月1日在解放军总医院第一医学中心急诊抢救间就诊的脓毒症患者为研究对象,收集患者入科后第一次生命体...目的利用机器学习算法构建急诊科患者脓毒症早期心脏骤停风险预测模型,提高患者救治质量与效率。方法该研究以2020年1月1日至2023年6月1日在解放军总医院第一医学中心急诊抢救间就诊的脓毒症患者为研究对象,收集患者入科后第一次生命体征、实验室结果等临床基本特征。将符合纳入标准的患者以8∶2的比例随机分为训练集和验证集。利用Python软件构建CatBoost模型,采用受试者工作特征曲线(receiver operating characteristic,ROC)下面积(area under the ROC curve,AUC)评估模型的预测效能,并与其他临床常用评分对比验证。结果本研究共纳入2131例脓毒症患者,其中449例发生过心脏骤停。建立的CatBoost模型AUC为0.760,较其他评分高。模型中排名前10的特征为:年龄、血乳酸、白细胞介素-6、血氧饱和度、白蛋白、脑利钠肽前体、血钾、血钠、血肌酐和血小板。结论基于机器学习算法建立预测模型为急诊科脓毒症患者发生心脏骤停提供更加准确的预测依据,有利于提高脓毒症患者心脏骤停的救治率。展开更多
文摘目的利用机器学习算法构建急诊科患者脓毒症早期心脏骤停风险预测模型,提高患者救治质量与效率。方法该研究以2020年1月1日至2023年6月1日在解放军总医院第一医学中心急诊抢救间就诊的脓毒症患者为研究对象,收集患者入科后第一次生命体征、实验室结果等临床基本特征。将符合纳入标准的患者以8∶2的比例随机分为训练集和验证集。利用Python软件构建CatBoost模型,采用受试者工作特征曲线(receiver operating characteristic,ROC)下面积(area under the ROC curve,AUC)评估模型的预测效能,并与其他临床常用评分对比验证。结果本研究共纳入2131例脓毒症患者,其中449例发生过心脏骤停。建立的CatBoost模型AUC为0.760,较其他评分高。模型中排名前10的特征为:年龄、血乳酸、白细胞介素-6、血氧饱和度、白蛋白、脑利钠肽前体、血钾、血钠、血肌酐和血小板。结论基于机器学习算法建立预测模型为急诊科脓毒症患者发生心脏骤停提供更加准确的预测依据,有利于提高脓毒症患者心脏骤停的救治率。