基于机器学习构建和验证结直肠肿瘤患者术后肺部感染的预测模型

摘要

目的 基于机器学习构建和验证结直肠肿瘤患者术后肺部感染的风险预测模型。方法 纳入2021年1月至2023年12月于兰州大学第一医院接受手术治疗的结直肠肿瘤患者。依据临床与影像标准判定肺部感染，按7∶3分为训练集与验证集。采用Elastic Net联合稳定选择进行特征筛选，构建logistic回归、支持向量机、随机森林、梯度提升与极端随机树5种机器学习模型。使用ROC曲线的AUC评估模型预测准确性，DeLong检验比较不同模型AUC差异，并采用Shapley加权解释(SHAP)最佳模型的特征贡献。结果 共纳入503例患者(其中肺部感染69例，占13.72%)。Elastic Net联合稳定选择筛选出6个预测因子，分别为白蛋白、手术方式(开腹或腹腔镜)、COPD、术中输血、白细胞和手术时间。验证集中，logistic回归AUC最高(0.808;95%CI为0.732～0.878),支持向量机(0.791;95%CI为0.714～0.862)次之，随机森林(0.711;95%CI为0.615～0.812)、梯度提升(0.685;95%CI为0.584～0.786)与极端随机树(0.664;95%CI为0.561～0.764)依次降低，DeLong检验显示，logistic与其他模型的AUC有显著差异(P<0.05)。SHAP提示白蛋白为最重要预测因子。结论 基于Elastic Net稳定选择的6个预测变量模型对肺部感染具有良好预测力，其中logistic回归表现最佳且可解释性强，可用于围手术期风险分层与干预决策。

关键词

结直肠肿瘤 / 肺部感染 / 预测模型 / 机器学习