基于可解释机器学习构建老年患者术后急性肾损伤风险预测模型

目的基于机器学习算法,构建行全身麻醉非心脏手术的老年患者术后急性肾损伤(AKI)的风险预测模型,为AKI早期识别和干预提供参考。方法回顾性分析自2015年10月至2021年10月在中山大学附属第三医院择期行全身麻醉非心脏手术、年龄≥65岁的9512例患者的临床资料,根据排除标准,最终纳入5780例患者为研究对象。使用LASSO回归分析筛选与AKI相关的重要变量进行AKI预测模型构建。计算受试者工作特征曲线下面积(AUC)用于评估预测性能。通过SHAP模型对最优预测模型进行可解释化处理。结果5780例患者中,789例被诊断为术后AKI,发生率为13.65%(789/5780),设为AKI组;另4991例设为非AKI组。患者预后情况中,AKI组患者的实际住院天数长于非AKI组,总住院费用及住院期间心跳骤停发生率均高于非AKI组,差异均有统计学意义(P<0.05)。单因素分析后共有33个显著变量,LASSO回归分析选择了12个特征变量构建8个机器学习模型,最终选择了梯度提升机(GBM)模型作为风险预测模型。GBM的AUC值为0.77,准确性为0.71,敏感度为0.67,特异度为0.71。利用SHAP模型对GBM模型进行可解释化处理,得出贡献度前5的特征分别为手术时长、术前白蛋白、血清肌酐、血糖及血清钠离子浓度。结论GBM模型预测非心脏手术老年患者术后AKI发生风险的效能最优,可为围术期麻醉决策提供参考。