心脏骤停后院内死亡机器学习预测模型的建立
林清婷
张楠
姜辉
朱华栋
100730 北京,中国医学科学院北京协和医学院 北京协和医院急诊科 疑难重症及罕见病全国重点实验室
摘要：目的 探索影响心脏骤停患者预后的相关因素,并通过机器学习建立一个准确、快速的预后预测模型.方法 对美国重症监护医学信息数据库(MIMIC)中1772 例18 岁以上心脏骤停患者的数据进行回顾性分析,通过三种机器学习算法建立预测模型,包括逻辑回归(logistic regression,LR)、极致梯度提升(extreme gradient boosting,XGBoost)和支持向量机(support vector machine,SVM)算法,用于预测患者心脏骤停后院内病死率.计算受试者工作特征曲线下面积(area under the curve,AUC)、准确度、精确度、召回率和 F1 分数,以评估所建立模型的预测性能.结果 XGBoost 算法的表现优于另外两种算法.XGBoost 算法建立的预测模型准确度、召回率、精确度和 F1 分数分别为0.762、0.812、0.765 和0.788.XGBoost 模型的AUC大于LR和SVM模型(0.847 vs.0.834 和0.820).XGBoost模型中最重要的前 10 个特征是入院 24h内乳酸、格拉斯哥昏迷评分(GCS)量表、尿素氮、血糖、血氧饱和度、白细胞和心率的最小值,入院 24h内体温和肌酸激酶同工酶(CK-MB),以及体质量的最大值.结论 与LR和SVM算法相比,XGBoost算法建立的心脏骤停患者预后预测模型有更准确的预测效果.
关键词：心脏骤停院内病死率机器学习预后逻辑回归极致梯度提升支持向量机
资助基金：中央高水平医院临床科研项目(2022-PUMCH-B-110)
论文发表日期：2024-01-10
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：6( 63-68 )
英文信息