来源：期刊VIP网 时间：
作者：甘文思;黄一睿;王笑青;陶真;杨西帆;李文渊;
单位：温州市中西医结合医院感染管理科;浙江大学公共卫生学院大数据健康科学系浙江大学医学院附属第二医院临床大数据与统计中心;
摘要：目的 构建重症监护室(ICU)老年患者呼吸机相关肺炎(VAP)的机器学习模型，为临床决策提供依据。方法 本研究回顾性收集温州市某三甲医院2016年1月-2022年2月收治的377名ICU老年机械通气患者临床资料数据，并将数据集按3∶1随机划分为训练集和测试集。使用递归特征消除法对训练集的自变量进行筛选并构建了多种机器学习模型，包括logistic回归、支持向量机(SVM)、决策树(DT)、极端梯度提升(XGBoost)和随机森林(RF);采用敏感度、阳性预测值、特异度、阴性预测值、F1分数、准确度和曲线下面积(AUC)等指标评估模型性能，确定较优机器学习模型，通过校准曲线评价最优模型的校准度，采用沙普利加性解释(SHAP)方法对较优模型进行解释，开发较优机器学习模型的在线计算工具。结果 ICU老年患者VAP发生率16.98%。logistic回归、DT、RF、SVM和XGBoost五个模型在训练集中的AUC值为0.97、0.96、0.99、0.97、0.99;测试集中AUC值为0.84、0.78、0.90、0.88、0.90。XGBoost、RF模型被选为较优的机器学习模型。通过SHAP方法确定了机械通气时间、白蛋白水平、ICU住院时间、长期联合使用抗菌药物为重要的预测因子。基于RF、XGBoost模型开发了在线计算工具。结论 本研究建立了基于机器学习算法的ICU老年患者VAP风险预测模型，并发现XGBoost和RF模型在总体性能上表现较优。为便于应用，开发了在线计算工具。较优模型及在线工具有助于医务人员及时准确地识别高危患者，为临床决策提供重要依据。
关键词：机器学习;;预测模型;;重症监护室;;老年患者;;呼吸机相关肺炎
基金资助：国家青年自然科学基金资助项目(82203984);; 健康浙江百万人群队列基金资助项目(K-20230085);; 浙江省预防智能医学重点实验室基金资助项目(2020E10004);; 浙江省领军型创新团队引进基金资助项目(2019R01007);; 浙江省重点研发计划基金资助项目(2020C03002);; 温州市科技局基金资助项目(Y2020253)
