基于机器学习算法术后急性肾损伤风险预测模型建立

作     者：梁浩 孙义竹 李雨捷 黄家号 宋艾璘 舒欣 易斌 LIANG Hao;SUN Yi-zhu;LI Yu-jie;HUANG Jia-hao;SONG Ai-lin;SHU Xin;YI Bin

作者机构：陆军军医大学第一附属医院麻醉科重庆400038 

出 版 物：《临床军医杂志》 (Clinical Journal of Medical Officers)

年 卷 期：2023年第51卷第7期

页      面：665-671页

学科分类：1002[医学-临床医学] 100210[医学-外科学(含：普外、骨外、泌尿外、胸心外、神外、整形、烧伤、野战外)] 10[医学] 

基　　金：国家重点研发计划(2018YFC0116702) 重庆市科技创新与应用研发项目(cstc2019jscx⁃msxmX0237 from Bin Yi) 

主　　题：术后急性肾损伤 预测模型 机器学习 

摘      要：目的基于机器学习算法构建预测术后急性肾损伤(PO⁃AKI)的风险模型。方法选择陆军军医大学附属西南医院自2014年1月至2019年6月、四川大学附属华西医院自2019年5月至2020年1月及中山大学附属第一医院自2019年6月至2019年12月发生PO⁃AKI的635例患者纳入PO⁃AKI组。按1∶3比例随机匹配同时间段未发生PO⁃AKI的1905例患者纳入非PO⁃AKI组。将所有患者按照7∶3比例随机分为建模组(n=1778)和验证组(n=762)。在数据预处理特征选择手术患者常见的临床指标(一般资料、既往史、手术相关信息和实验室检验)后,基于6种机器学习算法建立PO⁃AKI的风险预测模型。通过受试者工作曲线下面积(AUC)、敏感度、特异度、准确度和F1分数评估模型效应。选择6种机器学习模型中性能最优者搭建可视化PO⁃AKI预测网页模型。结果构建了6种PO⁃AKI机器学习预测模型,以神经网络(NNET)算法最优。验证组中AUC为0.942(95%可信区间0.926~0.958),敏感度和特异度分别为85.3%和86.9%。结论基于机器学习算法成功建立了PO⁃AKI预测模型,NNET模型对PO⁃AKI具有良好的预测能力。