目的:基于机器学习算法构建3种不同的经外周静脉置入中心静脉导管（PICC）相关性血栓风险预测模型，并比较模型性能，为评估及预防PICC相关性血栓提供依据。方法:基于最佳证据和专家函询形成PICC相关性血栓风险因素调查表。采取便利抽样法，选取2016年1月—2020年10月在江苏大学附属医院行PICC置管的626例患者为研究对象收集临床资料，基于机器学习算法，分别采用支持向量机（SVM）、XGBoost和Logistic回归方法构建3种不同的PICC相关性血栓风险预测模型，并进行评价和比较。模型评价指标包括马修斯相关系数（ MCC）、 F1分数、受试者工作特征曲线下面积（ AUC）及Brier得分。 结果:共30个变量纳入研究，预测因子包括患者的人口学资料、患者病情、治疗因素、导管相关性因素4个方面。测试集上验证后的模型，在 MCC、 F1分数上，Logistic回归预测模型得分低于XGBoost、SVM预测模型；在 AUC上，Logistic回归预测模型得分等于SVM，小于XGBoost；在Brier得分上，Logistic回归预测模型得分高于XGBoost、SVM预测模型。 结论:基于机器学习算法XGBoost、SVM预测模型性能在敏感性及准确性上优于传统Logistic回归模型。血栓预测因子有助于指导临床医务人员识别高风险患者，降低PICC相关性血栓发生率。

导管插入术，中心静脉;XGBoost;支持向量机;Logistic回归;机器学习;PICC相关性血栓;预测模型

汪淑华;程博;朱丽群;曹松梅;梁怡青

江苏大学医学院，镇江　212000;江苏大学数学科学学院，镇江　212000;江苏大学附属医院护理部，镇江　212000

中华现代护理杂志

[1]汪淑华;程博;朱丽群;曹松梅;梁怡青-.基于机器学习算法的PICC相关性血栓风险预测模型比较研究)[J].中华现代护理杂志,2022(16):2144-2151

基于机器学习,机器学习算法,PICC,血栓风险,风险预测模型,模型比较,经外周静脉置入中心静脉导管,比较模型,模型性能,最佳证据,专家函询,因素调查,调查表,便利抽样,抽样法,大学附属医院,置管,XGBoost,模型评价指标,马修斯,MCC,受试者工作特征曲线,特征曲线下面积,Brier,预测因子,人口学,患者病情,测试集,回归预测模型,医务人员,人员识别,高风险患者,血栓发生率,导管插入术

0.255305