换一批基于机器学习模型的急诊开颅手术后颅内感染患者预后预测研究
Prognosis predictive for patients with intracranial infection after emergency craniotomy using machine learning models
摘要目的 探讨急诊开颅手术后颅内感染患者预后不良的关键因素,并构建机器学习模型,为临床早期精准干预提供决策参考.方法 回顾性纳入连云港市第一人民医院 2021 年 1 月—2024 年 1 月 558 例急诊开颅术后颅内感染患者为训练集,2024 年 5 月—2025 年 5 月 187 例患者为测试集.依据出院格拉斯哥预后评分(GOS)将训练集患者划分为预后良好组(n=385)和预后不良组(n=173),测试集患者分为预后良好组(n=128)和预后不良组(n=59).通过多因素 Logistic 回归筛选预后不良独立危险因素.基于训练集构建逻辑回归(LR)、K 近邻(KNN)、随机森林(RF)和决策树(DT)4 种预测模型,经十折交叉验证及测试集评估性能(AUC、准确度等).利用决策曲线分析(DCA)评估最优模型临床获益,并采用沙普利加和解释(SHAP)解析其可解释性.结果 模型性能评估显示,RF 算法模型测试集预测急诊开颅手术后颅内感染患者预后不良的 AUC 为 0.996,优于 LR、KNN 及 DT 模型(AUC 分别为 0.614、0.656、0.932).DCA 曲线结果显示,RF 模型在阈值概率为 0.5 时达到最大净收益(训练集为 0.294,测试集为 0.283).SHAP 可解释性分析显示,脑脊液生化糖、脑脊液白蛋白/血清白蛋白比值、IL-6、高热持续时间、脑脊液中 WBC、HMGB-1、sTREM-1、LDH、入住 ICU 时间依次是影响模型预测的最重要特征.结论 RF 模型在临床决策中具有良好的净获益和可解释性,可为早期识别高风险患者和制定个体化干预策略提供可靠工具.
更多相关知识
关键词
机器算法开颅手术颅内感染预后风险预测模型Machine algorithmCraniotomyIntracranial infectionPrognosisRisk prediction model
分类号
R651.1（外科学各论）
栏目名称
DOI
10.3969/j.issn.1673-6966.2026.05.011
发布时间
2026-05-27（万方平台首次上网日期，不代表论文的发表时间）
基金项目
江苏省连云港市卫生健康管理创新研究项目（K202401）
- 浏览2
- 被引0
- 下载2
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
