基于机器学习算法构建鼻胃管患者发生误吸的风险预测模型

Construction of a risk predictive model for aspiration in patients with a nasogastric tube based on machine learning algorithms

二维码有效期 120s

摘要目的比较7种机器学习算法在预测鼻胃管(NGT)患者发生误吸风险方面的效能.方法回顾性选取2021年1月至2022年12月合肥市第二人民医院高压氧医学科收治的352例NGT患者为研究对象,将患者按照7:3的比例随机分为训练集246例和验证集106例.采用Boruta算法进行独立特征变量选择,并运用逻辑回归、随机森林、决策树、k-近邻树、轻量级梯度提升机、支持向量机、极端梯度提升7种机器算法分别建立预测模型,通过ROC曲线评估模型的区分能力,结合AUC值、准确度、灵敏度、特异度、阳性预测值和阴性预测值等指标选择最优模型,在选择最优模型后,结合随机森林的变量重要性图和shapley加法解释值解释关键特征对误吸风险的贡献.结果 352例患者中,发生误吸102例,误吸发生率为28.98％.训练集和验证集构建了7种NGT患者误吸风险预测模型,均以随机森林模型最优.随机森林模型在训练集中的AUC、准确度、灵敏度、特异度、阳性预测值、阴性预测值均为1.000,在验证集中的AUC、准确度、灵敏度、特异度、阳性预测值、阴性预测值分别为0.977、0.934、0.882、0.962、0.845、0.985.结论基于机器学习算法成功建立了预测NGT患者误吸风险模型,其中随机森林模型呈现出良好的预测能力.