基于机器学习算法的非计划重返ICU风险预测模型研究OA北大核心CSTPCD

目的:利用机器学习算法构建非计划重返重症监护室(ICU)风险预测模型。方法:选取山西省某三级甲等医院2019年10月12日—2023年5月21日收治的3250例ICU病人为研究对象,基于多种机器学习算法构建非计划重返ICU的风险预测模型,并对模型性能进行比较。基于性能最佳的模型分析各变量的重要性排名。结果:轻量梯度提升机综合效能最佳,其受试者工作特征曲线下面积(AUROC)=0.9968,随后依次为随机森林(AUROC=0.9964)、梯度提升决策树(AUROC=0.9924)、自适应算法(AUROC=0.9530)、Logistic回归(AUROC=0.8145)。基于轻量梯度提升机模型的变量重要性排序前15位分别为钾离子、失血量、格拉斯哥昏迷评分法评分、急性生理学和慢性健康状况评分系统Ⅱ评分、钠离子、C-反应蛋白、饮酒史、体温最小值、ICU入住时长、血肌酐、心率最小值、中性粒细胞计数、舒张压最小值、碳酸氢盐和收缩压最大值。结论:基于机器学习算法构建的非计划重返ICU风险预测模型表现良好,研究者可以借助此类算法建立风险预测模型识别高风险病人,给予其针对性的干预措施,提高医疗保健质量。