基于随机森林模型的CT引导下肺穿刺活检出血风险的危险因素分析OACSTPCD

目的通过随机森林(random forest,RF)模型与传统Logistics回归分析相结合的方法,系统分析并筛选影响术后肺出血的关键危险因素,为临床实践提供数据支持。方法本研究纳入了2020年1月—2023年12月在天津医科大学肿瘤医院介入治疗科进行肺肿物穿刺活检术的844例患者(男性387名、女性457名),年龄39~82岁。研究收集患者的一般临床资料和穿刺相关特征,包括肿瘤大小、穿刺深度、穿刺角度、肺气肿情况、病灶位置、穿刺体位、是否经过叶间裂及穿刺次数等变量。利用RF模型对所有变量的重要性进行评分排序,识别出最具预测价值的变量。随后,采用多因素Logistics回归模型对排名靠前的重要变量进行进一步分析,评估其对术后肺出血的独立影响。结果RF模型结果显示,肿瘤大小和穿刺深度在预测术后肺出血风险中具有最高的重要性。多因素Logistics回归分析进一步证实,较小的肿瘤大小(HR:0.980,95CI%:0.971~0.989,P<0.05)与较低的出血风险显著相关,而较深的穿刺深度(HR:1.146,95CI%:1.063~1.235,P<0.05)则与较高的出血风险密切相关。此外,其他因素如穿刺角度、年龄、病灶位置及肺气肿情况等在分析中显示有一定影响,但在多因素回归分析中未显示出显著性。结论本研究结合RF模型和多因素Logistics回归分析,成功识别了肿瘤大小和穿刺深度为术后肺出血的独立危险因素。RF模型的应用提高了特征选择的准确性,帮助我们聚焦于对预测最具贡献的变量。这些发现为术前风险评估提供了重要的依据,建议临床医生在术前评估中重点考虑这些关键因素,以制定更安全、有效的手术计划,降低术后出血等并发症的风险。