基于机器学习的急性缺血性脑卒中医院感染预测模型建立与评价
Construction and evaluation of a machine-learning-based model for predicting healthcare-associated infection in patients with acute ischemic stroke作者机构:南昌大学第二附属医院科技处江西南昌330000 南昌大学公共卫生学院江西南昌330000
出 版 物:《中国感染控制杂志》 (Chinese Journal of Infection Control)
年 卷 期:2023年第22卷第2期
页 面:129-135页
核心收录:
学科分类:1004[医学-公共卫生与预防医学(可授医学、理学学位)] 100401[医学-流行病与卫生统计学] 10[医学]
基 金:国家自然科学基金项目(81960609) 国家重点研发计划项目(2020YFC2002901) 南昌大学第二附属医院资助项目(2021efyB03)。
摘 要:目的利用急性缺血性脑卒中患者诊疗数据构建基于机器学习的急性缺血性脑卒中医院感染预测模型,为临床治疗早期干预提供支持。方法选取江西某三甲医院神经内科2020年10月—2021年12月2360例脑卒中住院患者作为研究对象。按8∶2的比例随机分为训练集(1888例)与测试集(472例),纳入人口统计学数据以及入院48 h内临床诊疗数据,分析急性缺血性脑卒中患者发生医院感染的独立危险因素。使用logistic回归和3种机器学习算法[随机森林(RandomForest)、XGBoost、LightGBM]构建急性缺血性脑卒中医院感染预测模型,应用ROC曲线下面积(AUC)评估4种预测模型的预测效果。结果574例发生医院感染,医院感染发生率为24.32%。logistic回归分析结果显示,年龄65岁、入院NIHSS评分5分、血白细胞计数10×10^(9)/L、血清钠≤135 mmol/L、侵入性操作、吞咽困难为医院感染的危险因素。logistic回归、RandomForest、XGBoost、LightGBM预测模型在测试集中预测缺血性脑卒中医院感染的AUC值分别为0.854、0.850、0.881、0.870。结论基于机器学习医院感染预测模型有利于早期识别急性缺血性脑卒中患者医院感染及挖掘危险因素,及时采取防控措施,可降低医院感染发生率。