脓毒症患者死亡风险预测模型及评分的构建和评价

发布时间：2021-03-02 22:09

　　第一部分重症监护病房脓毒症患者死亡风险预测模型及评分系统的构建目的:脓毒症是重症监护病房（Intensive Care Unit,ICU）内危重症患者的主要死亡原因之一。如何精准预判脓毒症的死亡风险,在早期积极干预以及医学决策中起到重要的作用。为提高临床医务人员对其死亡风险的预判能力,本研究基于机器学习技术,使用患者基本资料、首日生理数据和实验室检查结果,建立ICU脓毒症患者30天死亡风险预测模型,同时构建脓毒症死亡风险评分1.0（Sepsis Mortality Risk Score 1.0,SMRS 1.0）。方法:运用重症监护医学信息市场（Medical Information Mart for Intensive Care Ⅲ,MIMIC Ⅲ）数据库,纳入2008年至2012年间,年龄≥16岁,新入ICU并且在24小时内被诊断为脓毒症（按脓毒症3.0标准）的患者。收集患者基本资料、ICU首日生理数据和实验室检查结果,以30天死亡率为最终结局指标。按7:3的比例将入选患者随机分为训练组和验证组,基于训练组的临床数据使用logistic回归方法和随机森林方法构建模型,验证组通过计算... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：103 页

【学位级别】：硕士

【部分图文】：

病例筛选流程图

浙江大学硕士学位论文第一部分结果112.3风险预测模型构建将训练组3,221例患者分为存活组（2,607例）和死亡组（614例）。将训练组数据导入R3.6软件，使用“MASS”包构建logistic回归模型。在单因素回归中发现20个变量与脓毒症患者30天死亡率相关，使用“car”包进行共线性检验，结果显示各变量的VIF均小于5，说明上述各变量间不存在明显的共线性关系。进一步使用多因素回归筛选后，最终确定与脓毒症患者死亡风险相关的14个独立危险因素（表2.2）。使用“randomForest”包构建随机森林模型，将所有变量纳入建立初始模型。根据MSE最小时独立树个数为375对模型进行参数优化调节，得到最终的随机森林模型。根据随机森林节点纯度提高值及作图（图2.2），发现血乳酸值、体温、年龄、血氧饱和度对模型预测性能的提升影响较大。图2.2随机森林节点纯度提高值示意图

浙江大学硕士学位论文第一部分结果172.6风险评分系统评价绘制评分系统在训练组和验证组中的ROC曲线（图2.4），经计算训练组中AUC为0.786，验证组中AUC为0.769，与原logistic回归模型相比预测准确度损失很校根据校准图（图2.5）和H-L检验证明评分系统在训练组和验证组中一致性好（H-L检验：训练组P=0.623，验证组P=0.379）。在训练组和验证组中分别计算各死亡风险组的实际死亡率：低危组（训练组：2.2%；验证组：3.8%），中危组（训练组：10.3%；验证组：11.8%），高危组（训练组：29.2%；验证组：31.2%），极高危组（训练组：70.0%；验证组：64.2%）。可见在验证组中，按照评分系统得分划分死亡风险组的实际死亡率与训练组相近（表2.5；图2.6）。图2.4风险评分SMRS1.0在训练组和验证组中的受试者工作特征曲线

【参考文献】：
期刊论文
[1]Sepsis 1.0到Sepsis 3.0的变迁与展望[J]. 马晓春,王亮.  医学研究生学报. 2017(10)



本文编号：3060042