基于术中指标建立非心胸手术术后呼吸衰竭梯度提升预测模型

目的 开发并验证一个基于术中指标在非心胸手术患者术后呼吸衰竭(postoperative respiratory failure,PRF)的机器学习预测模型.方法 纳入西南医院2014年1月至2019年6月行非心胸手术患者705例[训练集565例(PRF 128例),测试集140例(PRF 35例)]、华西医院2019年5月至2020年1月和中山医院2019年6月至2019年12月行非心胸手术患者164例[验证集164例(PRF 41例)].提取患者19项术中预测指标,通过6种机器学习算法:梯度提升模型(gradient boosting model,GBM)、广义线性模型(generalize linear model,GLM)、k-近邻(k-nearest neighbor,KNN)、朴素贝叶斯(naive bayes,NB)、神经网络(neural network,NNET),支持向量机(support vector machine linear,SVM)开发及测试模型,并在验证集进行验证,通过各模型间性能对比,筛选出最佳模型,最终建立网页预测模型.结果 GBM获得了最佳性能,准确性76.2％(95％CI:69.0％～82.5％),受试者操作曲线下面积(area under the subject curve,AUC):0.794(95％CI:0.707～0.882),精准-召回曲线下面积(area under the precision-recall curve,AUPRC):0.641,Brier 评分:0.169.结论 基于 GBM 算法开发的模型具有更高的泛化性、准确性、临床实用性,并有助于避免过度拟合.建立的网页预测模型()可为患者PRF提供新的动态评估方法,量化手术风险.