关键词:
老年
急性肾损伤
机器学习
风险预测模型
摘要:
目的 采用机器学习方法构建老年患者术后急性肾损伤(AKI)的预测模型。方法 收集2019年6月至2020年7月行手术治疗的老年患者的术前信息和术后随访信息,提取实验室检查结果,共纳入115个术前变量,应用极端梯度提升(XGB)、梯度提升(GBM)、随机森林(RF)、支持向量机(SVM)和弹性网络逻辑回归(ELA)5种方法构建术后AKI预测模型,采用受试者工作特征曲线下面积(AUROC)、精确度-召回率曲线下面积(AUPRC)和Brier评分评估模型性能。为简化模型以便于临床实践应用,得到原始模型后剔除部分相关性较低的变量,并再次用上述方法对模型进行评估。结果 本研究最终纳入老年患者5 929例,男3 359例(56.7%),女2 570例(43.3%),年龄65~99岁,其中154例(2.6%)发生术后AKI。在应用5种机器学习方法构建的预测模型中,XGB模型的AUROC和AUPRC最高,分别为0.798(95%CI 0.705~0.888)和0.230(95%CI 0.079~0.374);Brier评分最低,为0.023(95%CI 0.014~0.029)。对XGB模型进行简化后,保留72个变量,简化模型的AUROC、AUPRC和Brier评分分别为0.790(95%CI 0.711~0.861)、0.176(95%CI 0.070~0.313)和0.024(95%CI 0.017~0.033),与原模型差异无统计学意义。结论 在应用5种机器学习方法构建的术后急性肾损伤预测模型中,XGB的预测效能最佳,经简化的XGB预测模型仍保留较高的预测效能,且更容易在临床上推广使用。