背景急性肾损伤(acute kidney injury,AKI)在重症监护室(intensive care unit,ICU)发病率高,尤其对于老年人群更是如此。寻找ICU老年AKI的危险因素,建立早期预测模型,有助于临床决策。目的采用机器学习的方法建立ICU老年患者AKI的早期...背景急性肾损伤(acute kidney injury,AKI)在重症监护室(intensive care unit,ICU)发病率高,尤其对于老年人群更是如此。寻找ICU老年AKI的危险因素,建立早期预测模型,有助于临床决策。目的采用机器学习的方法建立ICU老年患者AKI的早期预测模型。方法收集2018年1月-2021年12月入住解放军总医院第一医学中心重症医学科年龄≥65岁的老年患者的临床资料(80%用于训练集,20%用于测试集)。以是否发生AKI为结局变量,纳入人口统计学、生命体征、实验室检查、合并症等55个预测变量,通过多个机器学习模型(包含决策树、随机森林、逻辑回归、XGBoost、LightGBM)开发多变量预测模型。利用受试者工作特征曲线(ROC曲线)下面积(area under curve,AUC)、准确性、敏感度、特异度、F1值评估模型性能,选出最优模型。结果最终纳入968例老年患者,其中共304例患AKI(占31.4%)。LightGBM模型的AUC最高,为0.887,决策树、随机森林、逻辑回归、XGBoost模型的AUC分别为0.795、0.850、0.853、0.875。其中LightGBM模型排前5位的特征变量为查尔森合并症指数、液体入量、血清肌酐、N末端脑利钠肽前体和乳酸。结论我们利用LightGBM机器学习方法开发并建立了一个ICU老年患者的AKI早期预测模型,具有较好的预测效能,有助于临床早期预测及预防ICU老年AKI的发生。展开更多
文摘背景急性肾损伤(acute kidney injury,AKI)在重症监护室(intensive care unit,ICU)发病率高,尤其对于老年人群更是如此。寻找ICU老年AKI的危险因素,建立早期预测模型,有助于临床决策。目的采用机器学习的方法建立ICU老年患者AKI的早期预测模型。方法收集2018年1月-2021年12月入住解放军总医院第一医学中心重症医学科年龄≥65岁的老年患者的临床资料(80%用于训练集,20%用于测试集)。以是否发生AKI为结局变量,纳入人口统计学、生命体征、实验室检查、合并症等55个预测变量,通过多个机器学习模型(包含决策树、随机森林、逻辑回归、XGBoost、LightGBM)开发多变量预测模型。利用受试者工作特征曲线(ROC曲线)下面积(area under curve,AUC)、准确性、敏感度、特异度、F1值评估模型性能,选出最优模型。结果最终纳入968例老年患者,其中共304例患AKI(占31.4%)。LightGBM模型的AUC最高,为0.887,决策树、随机森林、逻辑回归、XGBoost模型的AUC分别为0.795、0.850、0.853、0.875。其中LightGBM模型排前5位的特征变量为查尔森合并症指数、液体入量、血清肌酐、N末端脑利钠肽前体和乳酸。结论我们利用LightGBM机器学习方法开发并建立了一个ICU老年患者的AKI早期预测模型,具有较好的预测效能,有助于临床早期预测及预防ICU老年AKI的发生。
