摘要
为探讨极端梯度提升(XGBoost),逻辑斯蒂回归(LR),支持向量机(SVM),深度神经网络(DNN)算法在重症脓毒症患者院内结局早期预测上的应用价值,采取美国斯坦福大学发布的波士顿某知名医疗中心MIMIC-IV公共数据库中的脓毒症病例(27 134 例)中的 70%做训练集(18 994 例),30%做测试集(8 140 例),结合温州医科大学附属第一医院重症监护室数据(486 例)做交叉对比分析.所采集因子为入ICU后 24h内的生化、用药、透析、呼吸机数据,以及人口统计学及既往史等因子,通过准确率、特异度、召回率和ROC曲线进行模型评估.结果显示:XGBoost在测试集和国内数据集上对比其他机器学习算法都有更优的AUC表现,模型指出格拉斯哥昏迷指数(GCS)、年龄、呼气末正压、实验室尿素氮测量值等与脓毒症患者最终院内死亡的不良结局有最高的相关性.同时,以本院数据集做验证的实验表明:XGBoost仍有最优表现,且AUC与MIMIC测试集的AUC差异不大.
NETL
NSTL
维普
万方数据