文章目录

0 引言

1 研究数据

1.1 数据来源

1.2 数据筛选

1.3 变量纳入

    (1) 人口学信息：

    (2) 入院信息：

    (3) 药物使用：

    (4) 生命体征：

    (5) 危重症患者健康评分：

    (6) 合并症：

    (7) 血液学指标：

    (8) 干预措施：

1.4 数据收集时间窗

1.5 特征构建

2 研究方法

2.1 逻辑回归

2.2 随机森林

2.3 LightGBM

2.4 性能评价指标

3 实验结果

3.1 预测结果

3.2 重要特征

4 讨论

5 结论

文章摘要: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30 020例患者记录（包括AKI患者17 222名,Non-AKI患者12 798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。

文章关键词:

论文分类号:TP181;R459.7;R692

文章来源：《中国实验血液学杂志》 网址: http://www.zgsyxyxzz.cn/qikandaodu/2021/1216/744.html