基于机器学习模型的上消化道出血患者的红细胞输血评估分析

摘要

目的 综合评估分析上消化道出血患者的输血结局。方法 采用输血(科)管理系统和医院信息系统(HIS),回顾性收集了浙江省人民医院及其分院2018年6月至2021年6月收治的230例上消化道出血患者的临床数据，筛选得到101例，并根据输血结局分为输血组(n=56)和未输血组(n=45),男性68名、女性33名。分别建立基于AIMS65评分的单因素模型和Logistic多因素回归模型，以及采用随机森林、支持向量机和人工神经网络等机器学习方法建立的多因素输血模型，比较各个模型的敏感度、特异度、准确率和受试者工作特征曲线ROC。结果 基于AIMS65评分单因素模型，最佳阈值1.5,该模型的灵敏度为0.446,特异度为0.822,AUC=0.67,准确率ACC=0.614,KAPPA=0.256, F1=0.655。Logistics回归模型最佳临界概率0.459,该模型的灵敏度为0.929,特异度为0.889,AUC面积为0.96,准确率ACC=0.911,KAPPA=0.819,F1=0.899。随机森林模型最佳临界概率0.458,预测灵敏度为0.964,特异度为0.956,AUC面积为0.99,准确率ACC=0.960,KAPPA=0.920,F1=0.956。支持向量机模型最佳临界概率为0.474,预测灵敏度为0.875,特异度为0.933,AUC面积为0.94,准确率ACC=0.901,KAPPA=0.801,F1分数=0.894。人工神经网络模型，最佳临界概率0.797,预测灵敏度为0.804,特异度为0.956,AUC面积为0.96,准确率ACC=0.871,KAPPA=0.745,F1分数=0.869。十折交叉验证也进一步确认了结果。结论 分析发现综合患者临床各项检验指标，建立Logistic回归模型和多种机器学习模型，对预测患者输血具有借鉴价值，表明机器学习算法在预测输血方面具备应用前景。

关键词

上消化道出血 / AIMS65 / 逻辑回归 / 机器学习 / 多因素输血模型