目的:探讨机器学习方法对创伤合并急性呼吸窘迫综合征（ARDS）患者院内死亡的预测价值。方法:采用回顾性非干预性病例对照研究。从于美国重症监护医学信息数据库Ⅲ（MIMICⅢ）数据库中提取符合柏林ARDS标准定义的创伤合并ARDS患者，收集患者的基本信息〔包括性别、年龄、体质量指数（BMI）、pH值、氧合指数、实验室指标、重症监护病房（ICU）住院时间、行机械通气（MV）或连续性肾脏替代治疗（CRRT）比例、急性生理学评分Ⅲ（APSⅢ）、序贯器官衰竭评分（SOFA）和简化急性生理学评分Ⅱ（SAPSⅡ）〕、并发症和合并症〔包括高血压、糖尿病、感染、急性失血性贫血、脓毒症、休克、酸中毒和肺炎〕以及预后情况。采用多因素Logistic回归分析筛选有意义的变量（ P<0.05），构建Logistic回归模型、XGBoost模型和人工神经网络模型，并绘制受试者工作特征曲线（ROC曲线）评估3个模型对创伤合并ARDS患者院内死亡的预测价值。 结果:共纳入760例创伤合并ARDS患者，其中轻度346例，中度301例，重度113例；院内存活618例，院内死亡142例；736例接受MV，65例接受CRRT。多因素Logistic回归分析筛选出有意义的变量，包括年龄〔优势比（ OR）＝1.035，95%可信区间（95% CI）为1.020~1.050， P<0.001〕、BMI（ OR＝0.949，95% CI为0.917~0.983， P＝0.003）、血尿素氮（BUN； OR＝1.019，95% CI为1.004~1.033， P＝0.010）、血乳酸（Lac； OR＝1.213，95% CI为1.124~1.309， P<0.001）、红细胞分布宽度（RDW； OR＝1.249，95% CI为1.102~1.416， P<0.001）、血细胞比容（HCT； OR＝1.057，95% CI为1.019~1.097， P＝0.003）、高血压（ OR＝0.614，95% CI为0.389~0.968， P＝0.036）、感染（ OR＝0.463，95% CI为0.289~0.741， P＝0.001）、急性肾衰竭（ OR＝2.021，95% CI为1.267~3.224， P＝0.003）、脓毒症（ OR＝2.105，95% CI为1.265~3.502， P＝0.004），使用上述变量构建模型。Logistic回归模型、XGBoost模型和人工神经网络模型预测创伤合并ARDS患者院内死亡的ROC曲线下面积（AUC）分别为0.737（95% CI为0.659~0.815）、0.745（95% CI为0.672~0.819）和0.757（95% CI为0.680~0.884），任意两个模型之间比较差异均无统计学意义（均 P>0.05）。 结论:纳入年龄、BMI、BUN、Lac、RDW、HCT、高血压、感染、急性肾衰竭、脓毒症变量的Logistic回归模型、XGBoost模型和人工神经网络模型对创伤合并ARDS患者院内死亡有良好的预测价值。

机器学习;急性呼吸窘迫综合征;创伤;人工智能

唐瑞;唐雯;王导新

重庆医科大学附属第二医院呼吸与危重症医学科，重庆　400010

中华危重病急救医学

[1]唐瑞;唐雯;王导新-.机器学习对创伤合并急性呼吸窘迫综合征患者院内死亡的预测价值)[J].中华危重病急救医学,2022(03):260-264

合并急性呼吸窘迫综合征,院内死亡,预测价值,机器学习方法,ARDS,干预性,病例对照研究,医学信息,信息数据库,MIMIC,柏林,体质量指数,氧合指数,实验室指标,重症监护病房,ICU,机械通气,MV,连续性肾脏替代治疗,CRRT,序贯器官衰竭评分,SOFA,简化急性生理学评分,SAPS,合并症,失血性贫血,脓毒症,休克,酸中毒,预后情况,XGBoost,人工神经网络模型,受试者工作特征曲线,优势比,可信区间,血尿素氮,BUN,血乳酸,Lac,红细胞分布宽度,RDW,血细胞比容,HCT,急性肾衰竭,构建模型,症变

0.209897