急性肾损伤（AKI）是脓毒症最常见、最严重的并发症，具有较高的病死率和疾病负担。AKI的早期预测是及时干预并最终改善预后的关键。脓毒症患者AKI的预测一直是危重病医学研究的热点。近年来，由于统计理论和计算机技术的发展，机器学习引起了临床医生的关注和认可。该研究旨在建立并验证基于新型机器学习算法的预测模型用于预测危重脓毒症患者的AKI发生。该研究从重症监护室医疗信息集Ⅲ（MIMIC-Ⅲ）数据库中提取脓毒症患者资料，使用Boruta算法进行特征选择，采用logistic回归、k-近邻算法（KNN）、支持向量机（SVM）、决策树、随机森林、极端梯度提升（XGBoost）和人工神经网络（ANN）等机器学习算法和十倍交叉验证的方法进行模型构建。分别从鉴别、校准和临床应用方面评估这些模型的性能。此外，比较基于机器学习模型与序贯器官衰竭评估（SOFA）模型和定制的简化急性生理机能评分Ⅱ（SAPSⅡ）模型的鉴别能力。共纳入3 176例脓毒症危重患者进行分析，其中2 397例（75.5%）在住院期间发生AKI，共选取36个变量进行模型构建，建立logistic回归、KNN、SVM、决策树、随机森林、ANN、XGBoost、SOFA和SAPSⅡ评分等模型，得到受试者工作特征曲线下面积分别为0.736、0.664、0.735、0.749、0.779、0.755、0.821、0.646和0.702。在所有模型中，XGBoost模型在鉴别、校准和临床应用方面的预测性能最好。因此，该研究认为机器学习模型是预测脓毒症患者AKI的可靠工具。其中，XGBoost模型具有最佳的预测性能，可用于协助临床医生识别高危患者并实施早期干预以降低死亡率。

王晨

首都医科大学附属北京儿童医院

中华医学杂志

[1]王晨-.机器学习在败血症患者急性肾损伤预测中的应用)[J].中华医学杂志,2022(46):3708

败血症,急性肾损伤,损伤预测,AKI,脓毒症,病死率,疾病负担,早期预测,预并,危重病,医学研究,统计理论,计算机技术,临床医生,机器学习算法,从重,重症监护室,医疗信息,MIMIC,Boruta,特征选择,logistic,近邻算法,KNN,决策树,极端梯度提升,XGBoost,人工神经网络,ANN,十倍,交叉验证,基于机器学习,机器学习模型,序贯器官衰竭评估,SOFA,性生理,生理机能,SAPS,鉴别能力,危重患者,住院期间,共选,受试者工作特征曲线,特征曲线下面积,预测性能,高危患者,早期干预

0.330194