首页 > 中国医疗设备 > 基于随机森林算法的脓毒症患者院内死亡风险预测研究

基于随机森林算法的脓毒症患者院内死亡风险预测研究

Research on Risk Prediction of In-Hospital Death in Sepsis Patients Based on Random Forest Algorithm

二维码有效期 120s

摘要目的基于脓毒症患者院内死亡预测中因机器学习样本类别不平衡导致敏感度过低的问题,构建一种新的基于平衡随机森林(Balanced Random Forest,BRF)算法的预测模型.方法从MIMIC-Ⅲ公开数据库中获取符合脓毒症(Sepsis-3.0)标准患者的17个时间序列变量数据,截取入住ICU后最初48 h的数据,计算出17个变量的714个统计特征,将其用于模型构建和性能评估.利用曲线下面积(Area Under Curve,AUC)和修正的几何平均值(Adjusted Geometric-Mean,AGM)进行超参调优.除BRF算法模型外,还与传统的逻辑回归和随机森林(Random Forest,RF)算法模型性能进行比较.结果最终筛选出10270例有ICU住院经历的脓毒症患者,院内总体死亡率为18.04%.各种模型性能测试结果表明,基于样本类别不平衡的机器学习模型的预测敏感度显著提高,其中RF-AGM模型最低,为0.1826(95%CI:0.1351～0.2322),BRF-AGM模型提高到0.7110(95%CI:0.6537～0.7677),利用新的预测模型,将会发现更多面临死亡的患者并及时给予救治.BRF-AGM模型的AUC、AGM和特异性分别达到了0.7994(95%CI:0.7696～0.8288)、0.7282(95%CI:0.7046～0.7519)和0.7349(95%CI:0.7101～0.7590).结论 BRF-AGM模型在ICU脓毒症患者死亡预测方面具有巨大应用潜力,可以避免临床医生延误治疗患者,这对改善患者预后具有重要意义,但BRF-AGM模型的临床效用还需要前瞻性多中心研究来进一步评估.

作者 李丽娟 ^[1] 曹晓均 ^[2] 陈飞燕 ^[3] 樊慧峰 ^[4] 刘广建 ^[5] 学术成果认领

作者单位 广州市妇女儿童医疗中心医院质量管理科,广东广州 510623 ^[1] 广州市妇女儿童医疗中心信息中心,广东广州 510623 ^[2] 广州市妇女儿童医疗中心重症监护室,广东广州 510623 ^[3] 广州市妇女儿童医疗中心呼吸科,广东广州 510623 ^[4] 深圳市帝迈生物技术有限公司大数据中心,广东深圳 518107 ^[5]

关键词样品类别不平衡院内死亡预测模型平衡随机森林脓毒症 imbalanced sample categories in-hospital death prediction model balanced random forest sepsis

分类号 R730（肿瘤学一般性问题）

栏目名称

医学工程技术

DOI 10.3969/j.issn.1674-1633.2023.12.006

发布时间 2023-12-19（万方平台首次上网日期，不代表论文的发表时间）

基金项目

国家自然科学基金（71704031）