换一批发热伴血小板减少综合征不良结局的机器学习早期预测模型
Machine learning model for early prediction of adverse outcomes in severe fever patients complicated with thrombocytopenia syndrome
摘要目的 构建基于入院 24 h内临床指标的机器学习模型,预测发热伴血小板减少综合征(SFTS)患者住院期间不良结局风险,实现早期风险分层.方法 采用回顾性队列研究设计,纳入 2022年 4月-2025年 5月南京医科大学第一附属医院收治的 430例SFTS患者(好转组 346例,预后不良组 84例),收集入院时临床特征及 24 h内实验室指标,在训练集上应用LASSO回归进行特征选择,运用 5种算法(极度梯度提升、梯度提升模型、随机森林、支持向量机和逻辑回归)构建预测模型,并在独立测试集评估性能.同时,采用SHAP方法提升模型的可解释性.结果 LASSO回归确定了 7个核心预测因子:年龄、SFTS病毒核酸载量(经lg转换)、铁蛋白(Fer)、凝血酶原时间(PT)、肌酐(Scr)、乳酸脱氢酶(LDH)、降钙素原(PCT).支持向量机(SVM)模型在测试集综合性能最优(AUC=0.865,95%CI:0.781～0.948),其余模型AUC为 0.832～0.858.SHAP分析显示年龄和lgSFTSV是影响模型预测重要的两个特征.结论 本研究构建并验证了SVM算法的可解释机器学习模型,利用入院 24 h指标可有效预测SFTS患者不良结局风险.该模型整合病毒载量等特异性指标,验证了年龄、lgSFTSV、凝血与器官损伤标志物等的预测价值.
更多相关知识
关键词
发热伴血小板减少综合征机器学习预测模型SHAP解释早期预测预后不良Severe fever with thrombocytopenia syndromeMachine learningPredictive modelSHAP interpretationEarly predictionPoor prognosis
栏目名称
DOI
10.11816/cn.ni.2026-251853
发布时间
2026-03-20（万方平台首次上网日期，不代表论文的发表时间）
基金项目
江苏省医学重点学科/实验室项目（ZDXK202239）
- 浏览29
- 被引0
- 下载44
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
