基于机器学习算法建立非肝脏手术术后肝损伤风险预测模型

作     者：孙义竹 李雨捷 梁浩 刘祥 黄家号 舒欣 宋艾璘 杨智勇 易斌 SUN Yizhu;LI Yujie;LIANG Hao;LIU Xiang;HUANG Jiahao;SHU Xin;SONG Ailin;YANG Zhiyong;YI Bin

作者机构：陆军军医大学(第三军医大学)第一附属医院麻醉科重庆400038 

基　　金：国家重点研发计划(2018YFC0116702) 

出 版 物：《陆军军医大学学报》 (Journal of Army Medical University)

年 卷 期：2024年第46卷第7期

页      码：760-767页

摘      要：目的基于术前及术中用药指标建立一个预测非肝脏手术患者术后肝损伤的机器学习预测模型。方法采用病例-对照研究设计方案,选择国内3家大型综合医院开发的数据库中2014年1月至2022年9月行非肝脏手术术后出现肝损伤患者315例,按阳性∶阴性为1∶3的比例随机匹配同期非肝脏手术术后未发生肝损伤的928例病例作为阴性对照病例。将这1243例患者根据R语言设置的代码以7∶3的比例随机拆分为建模组(n=869)和验证组(n=374)。利用患者术前临床指标(基本信息、病史、相关评分表、手术相关信息和实验室检查)及术中用药情况基于k-近邻(k-nearest neighbor,KNN)、支持向量机(support vector machine linear,SVM)、逻辑回归(logistic regression,LR)、极端梯度提升(extreme gradient boosting,XGBoost)4种机器学习算法建立预测非肝脏手术术后肝损伤的模型,并在验证组通过受试者工作特征曲线(receiver operating characteristic,ROC)、精准-召回曲线(percision-recall curve,P-R)、临床决策分析曲线(decision curve analysis,DCA)、Kappa值、灵敏度、特异度、Brier分数、F 1分数对模型效能进行评估。结果4种机器学习算法建立的预测非肝脏手术术后肝损伤的模型以XGBoost算法最优,验证组中受试者工作特征曲线下面积(area under the receiver operating characteristic curve,AUROC)为0.916(95%CI:0.883~0.949),精准-召回曲线下面积(area under the precision-recall curve,AUPRC)为0.841,Brier评分0.097,灵敏度和特异度分别为78.95%和87.10%。结论基于XGBoost算法建立的非肝脏手术术后肝损伤预测模型对术后肝损伤的发生有良好的预测能力。

主 题 词：机器学习 预测模型 术后肝损伤 

学科分类：1004[医学-公共卫生预防医学类] 1002[医学-临床医学类] 1001[医学-基础医学] 100201[100201] 100401[100401] 10[医学] 

核心收录：

D　O　I：10.16016/j.2097-0927.202312018

馆 藏 号：203127314...