基于机器学习的院内消化道致命性再出血预测与指标筛选

目的 提出基于机器学习的院内消化道致命性再出血预测和指标筛选方法.方法 从解放军总医院急救数据库中提取确诊为消化道出血样本728例次,其中确定发生院内消化道致命性再出血患者343例次.提取、筛选得到相关生理或化验指标共计64项.在十折交叉验证的基础上,分别使用Logistic回归、以决策树为弱分类器的自适应增强(AdaBoost)算法、以决策树为弱分类器的XGBoost算法进行分类预测并对比;利用XGBoost算法进行序列特征前向搜索,以训练时迭代出的指标重要性进行筛选,并得到预测院内消化道致命性再出血的关键指标.结果 Logistic回归和基于决策树的AdaBoost算法、XGBoost算法在各特征输入维度下均得到了较好的F1.5分数,其中XGBoost算法效果最好、评分最高,即能够尽可能找出更多的可能发生院内消化道致命性再出血的患者.通过XGBoost算法迭代结果得到了预测院内消化道致命性再出血的前30个重要性较高的指标,其中前12个关键指标迭代时F1.5分数达到峰值(0.893),分别为血红蛋白测定(Hb)、钙(CA)、红细胞计数(RBC)、平均血小板体积测定(MPV)、平均红细胞血红蛋白浓度(MCH)、收缩压(SBP)、血小板计数(PLT)、镁(MG)、淋巴细胞(LYM)、葡萄糖(GLU,血气分析)、葡萄糖(GLU,血生化)、舒张压(DBP).结论 Logistic回归及基于决策树的AdaBoost算法和XGBoost算法都能达到预测院内消化道致命性再出血的预警目的,其中XGBboost算法更佳,并能得到12个关键指标.