梯度提升决策树算法解释模型预测外伤性硬脑膜外血肿患者肺部感染

摘要

目的 探索基于梯度提升决策树(Gradient Boosting Decision Tree, GBDT)和SHAP解释模型在预测神经外科外伤性硬脑膜外血肿患者肺部感染(LC)中的应用，旨在提高肺部感染预测准确性并为临床决策提供数据支撑。方法 采用回顾性队列研究设计，连续纳入2021年1月—2022年12月本院神经外科重症监护室收治的139例外伤性硬脑膜外血肿患者，依据是否出现肺部感染分为肺部感染组(LC组，24例)和无肺部感染组(NLC组，115例)两组。采用单因素及多变量Logistic回归分析影响肺部感染的危险因素，构建logistics回归算法模型(P Logistics);应用GBDT和SHAP解释模型构建神经外科外伤性硬脑膜外血肿患者肺部感染预测模型(P G-Boost),应用ROC曲线评估、比较两种模型的预测性能。结果 基于单因素研究结果显示：二元logistics回归分析确定了5个主要危险因素(住院天数≥14 d、机械通气、ICU初始GCS评分≤8分、合并COPD和口腔致病微生物感染),其中口腔致病微生物感染风险最高(OR=6.38,95%CI:2.28～17.84,P<0.001)。基于上述单因素构建的GBDT-SHAP预测模型显示，住院天数≥14 d具有最高的相对重要性(28.45%),其次是机械通气(25.67%)和ICU初始GCS评分≤8分(20.12%)。ROC曲线分析表明，GBDT模型(AUC=0.915,95%CI:0.835～0.995)较传统logistics回归模型(AUC=0.848,95%CI:0.742～0.954)具有更优的预测效能，其敏感性(0.875 vs 0.750)和特异性(0.957 vs 0.948)均较高。结论 基于G-Boost算法的SHAP解释预测模型具有较高的准确性和临床实用价值，可为神经外科外伤性硬脑膜外血肿患者肺部感染的早期预防提供决策支持。

关键词

神经外科 / 重症 / 肺部感染 / 梯度提升决策树算法 / 预测模型 / 机器学习