使用机器学习算法构建蛇咬伤合并伤口感染预测模型:一项多中心回顾性临床研究
任艳1
陈方2
鲜晓燕3
夏义琴1
周毅武1
1.四川大学华西医院急诊科,四川 成都 6100412.成都上锦南府医院,四川 成都 6117303.四川大学华西医院急诊科,四川 成都 610041;四川大学华西天府医院,成都 618099
摘要：目的 建立蛇咬伤患者合并伤口感染风险的机器学习预测模型,为临床医师提供早期识别蛇咬伤患者伤口感染的预后预测工具.方法 回顾性收集 2020 年 1 月—2022 年 9 月在四川大学华西医院、四川大学华西医院天府医院、成都上锦南府医院3 家医疗机构就诊的蛇咬伤患者的临床数据.根据患者蛇咬伤伤口是否感染的不同预后结局分为感染组115 例、非感染组408 例,其中男性291 例,女性232 例;年龄中位数(P25,P75)为59(50,68)岁.将数据集按照7∶3随机分为训练集和验证集,建立逻辑回归(LR)、决策树等11 种机器学习模型以预测蛇咬伤合并伤口感染的风险.通过受试者工作曲线(ROC曲线)评估效能筛选最优模型,并采用沙普利加和解释法(SHAP)对特征重要性及预后影响因素进行可视化解释.结果 本研究通过LASSO回归筛选出WBC、PLT、中性粒细胞计数/淋巴细胞计数(NLR)、水疱严重程度、抗生素使用情况、抗蛇毒血清启用时间6 个预测因子,建立11 种机器学习模型.其中LR稳定性相对较好,在训练集中AUC为0.858(95%CI:0.808～0.907),灵敏度69.5%,特异度 91.2%;验证集中AUC为 0.855(95%CI:0.789～0.921),灵敏度54.5%,特异度85.4%.结论 WBC、PLT、NLR、水疱严重程度、抗生素使用情况、抗蛇毒血清启用时间是蛇咬伤合并伤口感染的独立危险因素.建立的11 种机器学习模型中,LR模型表现最佳.
关键词：蛇咬伤机器学习预后预测模型伤口感染
分类号：R646(创伤外科学)
资助基金：四川省科技厅重点研发项目(2023YFS0242)
论文发表日期：2026-01-15
在线出版日期：2026-03-03（本平台首次上网日期，不代表文献的发表时间）
页数：7( 48-54 )
英文信息