换一批基于机器学习构建ICU行CRRT患者尿路感染风险预测模型
Construction of a risk prediction model for urinary tract infection in ICU patients undergoing CRRT based on machine learning
摘要目的:使用4种机器学习算法构建重症监护室(ICU)行连续肾脏替代治疗(CRRT)患者尿路感染风险预测模型,通过比较选择最佳模型,并对模型决策依据进行可解释性分析.方法:收集2020年1月至2024年7月六安市某三甲医院ICU收治的272例行CRRT治疗的患者.通过合成少数过采样技术(SMOTE)方法对数据进行平衡化处理,使用Lasso回归进行变量筛选,支持向量机(SVM)、极限梯度提升(XGBoost)、Logistic回归、K近邻(KNN)算法构建模型并对模型效能进行比较,选择最佳模型.结果:通过Lasso回归共筛选出13个变量,分别是:年龄、高血压、糖尿病、慢性肾功能不全、输血次数、白蛋白、血红蛋白、血清肌酐、急性生理与慢性健康评分系统Ⅱ(APACHEⅡ)评分、治疗天数、抗菌药、免疫抑制剂、侵入性操作.基于上述变量构建SVM、XGBoost、Logistic回归及KNN模型.在训练集中,各模型的受试者工作特征曲线下面积(AUC)分别为:0.98(0.97～0.99)、0.91(0.88～0.95)、0.97(0.95～0.99)、0.98(0.96～0.99);在测试集中的 AUC 分别为:0.85(0.74～0.96)、0.69(0.53～0.84)、0.82(0.68～0.96)、0.75(0.61～0.89).决策曲线显示,各模型均可使临床净收益增加.结论:SVM算法构建的预测模型可准确识别ICU行CRRT治疗患者早期尿路感染的发生,可为早期防治提供参考.此外,通过可解释性分析能够更好地理解模型中各变量对模型预测的贡献度,及各变量间的交互作用,为进一步深入研究奠定基础.
更多相关知识
关键词
重症监护室连续肾脏替代治疗尿路感染机器学习预测可解释性分析intensive care unitcontinuous renal replacement therapyurinary tract infectionmachine learningpredictioninterpretability analysis
栏目名称
DOI
10.3969/j.issn.1671-7562.2025.08.005
发布时间
2025-09-26（万方平台首次上网日期，不代表论文的发表时间）
基金项目
六安市科技计划项目（20241akj032）
- 浏览11
- 被引0
- 下载6
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
