换一批基于机器学习算法的肿瘤病人PICC导管相关性血流感染预测模型的构建及效能验证
Construction and performance verification of a predictive model for PICC related blood flow infection in tumor patients based on machine learning algorithms
摘要目的:探讨肿瘤病人经外周静脉置入中心静脉导管(PICC)相关性血流感染预测模型的构建及效能验证.方法:选取2021年4月—2023年3月收治的肿瘤病人2 608例作为研究对象,所有病人住院期间均行PICC导管置管,根据病人是否发生PICC导管相关性血流感染分为发生组和未发生组.基于机器学习算法,分别采用支持向量机(SVM)、XGBoost及Logistic回归分析方法构建肿瘤病人PICC导管相关性血流感染发生预测模型,并进行分析比较,得出具有预测效能的算法模型.结果:两组病人的血小板计数、PICC留置时间、导管留置时间、伤口敷料类型、是否有导管移位以及单次置管穿刺次数比较,差异有统计学意义(P<0.05);XGBoost预测模型中血小板计数对模型影响最大,其次为D-二聚体水平;在SVM模型中,血小板计数的沙普利加性解释(SHAP)值最大,表明其对模型的影响最为明显;而Logistic回归模型中最终纳入PICC留置时间、导管留置时间、伤口敷料、是否有导管移位、单次置管穿刺次数5个因子,且XGBoost预测模型区分能力最高.结论:病人是否发生PICC导管相关性血流感染在多个指标上有差异,且不同模型的影响因素不同.SVM及XGBoost构建的预测模型的敏感度与准确度上优于Logistic回归模型,可以对PICC导管相关性血流感染风险作出相对精准的评估和预测,在临床工作中能有效降低PICC导管相关性血流感染的发生率.
更多相关知识
关键词
机器学习算法肿瘤病人经外周静脉置入中心静脉导管导管相关性血流感染预测模型machine learning algorithmstumor patientsperipherally inserted central catheter,PICCcatheter-related blood stream infectionprediction model
栏目名称
DOI
10.12102/j.issn.2095-8668.2025.07.016
发布时间
2025-04-17（万方平台首次上网日期，不代表论文的发表时间）
基金项目
上海市护理学会科研课题重点项目（2022SD-B04）
- 浏览29
- 被引1
- 下载47
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
