查看更多>>摘要:目的 探讨基于机器学习的决策树模型对急性百草枯(PQ)中毒(APP)患者预后的预测价值.方法 采用回顾性研究方法.收集 2012 年 5 月至 2021 年 8 月沧州市中心医院急诊医学部救治的APP患者的临床数据,包括性别、年龄、服毒至洗胃的时间、血液灌流比例、血PQ浓度、生化指标[白细胞计数(WBC)、丙氨酸转氨酶(ALT)、血肌酐(SCr)、血淀粉酶及血钾]以及血气指标[动脉血乳酸(Lac)、剩余碱和动脉血氧分压(PaO2)].根据中毒后 90d预后将患者分为生存组(56 例)和死亡组(74 例),比较不同预后两组患者临床指标的差异.通过多因素Logistic回归分析影响APP患者预后的危险因素,将危险因素作为变量构建含血PQ浓度及不含血PQ浓度的两种决策树模型.绘制受试者工作特征曲线(ROC曲线)评估决策树模型对APP患者预后的预测价值,通过Hanley&McNeil法对两种决策树模型的ROC曲线下面积(AUC)进行比较.结果 患者90d的生存率为 43.1%(56/130).与死亡组比较,生存组WBC[×109/L:8.9(7.0,11.6)比 17.4(11.9,23.1)]、ALT[U/L:25.3(21.2,31.8)比 29.3(23.2,40.3)]、SCr[μmol/L:64.0(53.0,74.0)比 91.0(72.5,141.5)]、Lac[mmol/L:2.5(1.4,4.0)比 7.1(3.7,11.0)]和血PQ浓度[ng/L:0.3(0.1,0.9)比 2.9(1.9,8.1)]均较低,差异均有统计学意义(均P<0.05),剩余碱[mmol/L:-2.5(-4.2,-1.1)比-7.2(-10.9,-4.7)]和血钾[mmol/L:3.7(3.5,4.0)比 3.2(2.8,3.7)]均较高,差异均有统计学意义(均P<0.05),患者更年轻[岁:33.5(26.0,47.8)比 42.5(26.0,58.0),P<0.05].单因素Logistic回归分析结显示,年龄、WBC、ALT、SCr、血钾、Lac、剩余碱和血PQ浓度是影响APP患者90d预后的独立危险因素[优势比(OR)和95%可信区间(95%CI)分别为1.03(1.01~1.05)、1.30(1.18~1.44)、1.04(1.01~1.07)、1.02(1.01~1.04)、7.59(3.25~17.70)、1.64(1.35~1.99)、1.51(1.29~1.76)、7.00(3.41~14.37),P值分别为 0.018、<0.001、0.011、<0.001、<0.001、<0.001、<0.001、<0.001].含血PQ浓度的多因素Logistic回归分析结果显示,WBC、血钾和血PQ浓度是影响患者 90d生存的独立危险因素[OR和 95%CI分别为 1.17(1.03~1.33)、7.29(1.66~32.01)、5.49(2.48~12.13),P值分别为 0.014、0.008、<0.001].不含血PQ浓度的多因素Logistic回归分析显示,年龄、WBC、血钾和剩余碱是影响患者 90d生存的独立危险因素[OR和 95%CI分别为 1.05(1.01~1.08)、1.20(1.07~1.34)、3.12(1.01~9.66)、1.41(1.16~1.72),P值分别为 0.008、0.002、0.049、0.001].基于血PQ浓度和血钾决策树模型的AUC为 0.94,95%CI为 0.89~0.98,敏感度为 91.9%,特异度为89.3%,准确率为 90.0%.基于WBC、剩余碱和年龄决策树模型的AUC为 0.89,95%CI为 0.84~0.95,敏感度为86.5%,特异度为91.1%,准确率为88.5%.Hanley&McNeil法比较显示,两种决策树模型的AUC差异无统计学意义(Z=1.34,P=0.180).结论 基于机器学习的决策树模型可为临床早期评估APP患者的预后提供定量、直观的预测工具.