机器学习DNN和XGBoost算法对危重患者预后预测模型效能评估
李惠萍1
胡安民2
1.南方科技大学第一附属医院(深圳市人民医院)呼吸与危重症医学科 广东深圳5180202.南方科技大学第一附属医院(深圳市人民医院)麻醉科 广东深圳518020
摘要：目的 研究深度神经网络(deep neural network,DNN)和极限梯度提升(XGBoost)算法对单中心重症患者预后的预测效能.方法 本研究使用美国大型重症医学数据库MIMIC-Ⅲ作为数据来源,分别使用DNN和XGBoost算法构建重症患者全因死亡率的预测模型,使用10折交叉验证法对模型性能进行评估,并与传统的简化急性生理评分-Ⅱ(SAPS-Ⅱ)评分比较模型的预测性能.结果 研究共纳入30833例患者,其中7866例(25.5％)患者在进入ICU后1年内死亡.研究采用真阳性率、阳性预测值、F值、受试者工作特征曲线下面积(AUC)进行模型效能的评估.三种模型得到AUC值分别为:SAPS-Ⅱ模型(0.75±0.04)、DNN模型(0.64±0.18)、XGBoost模型(0.80±0.02),提示XGBoost模型在重症患者1年内全因病死率的预测效能优于DNN模型和SAPS-Ⅱ模型.结论 与SAPS-Ⅱ评分及DNN算法模型相比,XGBoost模型可更稳健预测危重患者1年内全因病死率.
关键词：医疗大数据重症患者预测模型机器学习深度神经网络极限梯度提升
分类号：R447(诊断学)
资助基金：国家自然科学基金(81100189)
论文发表日期：2020-02-25
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：4( 466-469 )
英文信息