摘要目的 应用机器学习算法探讨影响脓毒症患者 28d病死率的因素并构建早期生存预测模型.方法 回顾性分析 2019 年 1 月至 2023 年 12 月南京中医药大学附属医院重症监护病房(ICU)收治的脓毒症患者的临床资料,包括 ① 一般资料:性别、年龄、高血压、糖尿病、冠心病、慢性阻塞性肺疾病(COPD和慢性肾脏病(CKD)病史;② 入院时生命体征及相关实验室检查结果,计算急性生理学与慢性健康状况评分Ⅱ(APACHEⅡ)、序贯器官衰竭评分(SOFA);③未纳入APACHEⅡ评分及SOFA评分的其他实验室检查结果:血乳酸(Lac)、天冬氨酸转氨酶(AST)、血红蛋白(Hb)、降钙素原(PCT)、脑钠肽(BNP)、C-反应蛋白(CRP)、活化部分凝血活酶时间(APTT)、D-二聚体和肌钙蛋白I(TNI).根据早期生存结局(28d预后)将患者分为存活组和死亡组.比较不同预后两组脓毒症患者临床资料及相关实验室指标的差异.采用LASSO回归及Boruta算法筛选预测变量,选择Logistic回归、神经网络及轻量级梯度提升机(LightGBM)算法构建预测模型.按 7:3 将数据拆分为训练集和验证集,采用五折交叉验证评估模型的稳定性.分别绘制 3 个模型在验证集的混淆矩阵、受试者工作特征曲线(ROC曲线)及校准曲线比较模型性能以筛选最佳预测模型.绘制临床决策曲线(DCA)评价模型的临床适用度,采用用沙普利加和解释法(SHAP)可视化解释最优模型.结果 共纳入 426 例患者,其中存活组 256 例,死亡组 170 例.与死亡组比较,存活组年龄更小(岁:72.09±14.08 比 76.88±11.32,P＜0.05),COPD比例[11.33%(29/256)比 20.00%(34/170)]、CKD比例[20.31%(52/256)比 31.77%(54/170)]、入院时血乳酸[Lac(mmol/L):1.72(1.20,2.66)比 2.25(1.60,3.50)]、AST[U/L:32.00(18.00,59.75)比 37.00(24.00,76.50)]、CRP[mg/L:71.23(22.51,151.79)比 87.00(37.00,173.36)]以及APACHEⅡ评分(分:19.96±6.55 比22.83±6.92)、SOFA评分[分:7(5,10)比 9(5,12)]均降低,差异均有统计学意义(均P＜0.05).采用LASSO回归及Boruta算法筛选出 5 个预测变量(年龄、APACHEⅡ评分、Lac、PCT及CRP),将上述 5 个变量纳入Logistic回归、神经网络及LightGBM模型,五折交叉验证显示,LightGBM模型稳定性最好.分别绘制 3 个模型的混淆矩阵、ROC曲线及校准曲线,结果显示,3 个模型的F1 评分分别为 0.61、0.63 及 0.74,ROC曲线下面积(AUC)分别为 0.68、0.74 及 0.87,对数损失分别为 0.62、0.41 及 0.34,Brier评分(校准误差)分别为 0.22、0.13 及0.09,表明LightGBM模型最优.DCA显示LightGBM模型临床净获益最大.SHAP显示预测结果与实际较一致.结论 本研究采用LightGBM算法构建的脓毒症 28d病死率预测模型具有较好的临床预测能力及适用度,有助于识别高危患者及制定临床决策.