机器学习算法筛选髋部骨折延长术后住院时间特征变量及预测模型构建

作     者：苏长英 黄丽莎 钟洁斯 彭蓝梅 王静茹 高辉 杨俊 Su Changying;Huang Lisha;Zhong Jiesi;Peng Lanmei;Wang Jingru;Gao Hui;Yang Jun

作者机构：鹰潭一八四医院关节运动医学科鹰潭335000 鹰潭一八四医院护理部鹰潭335000 

出 版 物：《中国实用护理杂志》 (Chinese Journal of Practical Nursing)

年 卷 期：2024年第40卷第19期

页      面：1454-1461页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 081104[工学-模式识别与智能系统] 08[工学] 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)] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 

主　　题：机器学习 髋部骨折 术后 住院时间 

摘      要：目的通过机器学习算法识别髋部骨折患者延长术后住院时间(PPOLOS)风险变量并构建Nomogram模型。方法采用回顾性病例对照研究,以方便抽样法选取鹰潭一八四医院2019年6月至2023年6月诊治的248例髋部骨折患者为研究对象。使用2种机器学习算法最小绝对收缩选择算子(LASSO)和支持向量机-递归特征消除(SVM-RFE)筛选PPOLOS风险变量。基于交集风险变量构建预测髋部骨折患者PPOLOS风险的Nomogram模型。采用内部数据集进行模型的验证。结果248例患者男79例,女169例,年龄(64.49±8.02)岁。平均术后住院时间为(7.98±5.68)d,中位值7 d。LASSO算法识别出7个风险变量;SVM-RFE算法识别出8个风险变量。交集风险变量为:年龄、体质量指数(BMI)、Charlson共病指数(CCI)、手术类型和中性粒细胞与淋巴细胞比值(NLR)。多因素Logistic回归(交集风险变量)分析结果显示年龄[OR(95%CI)为1.649(1.235~2.202),P0.08时,能提供显著临床净收益;临床影响曲线显示在高风险群体中能有效识别出PPOLOS患者。结论Nomogram模型能指导医护人员尽早做出临床诊疗决策以规避风险并实现合理分配医疗资源目的,提高护理质量。