基于动态列线图及机器学习的慢性阻塞性肺疾病急性加重期伴发肺性脑病风险预测模型构建及验证

摘要

目的 基于动态列线图及机器学习构建预测慢性阻塞性肺疾病急性加重期（acute exacerbation of chronic obstructive pulmonary disease, AECOPD）伴发肺性脑病风险的模型，并对其预测效能进行验证。方法 选取2022年1月至2024年6月泰州市人民医院收治的272例AECOPD患者作为研究对象，根据是否伴发肺性脑病将患者分为肺性脑病组（n=54）和非肺性脑病组（n=218）,使用单因素和多因素logistic回归分析AECOPD伴发肺性脑病的危险因素，并建立相关预测模型。结果 单因素分析结果显示，两组患者性别、年龄、体质量指数（body mass index, BMI）、吸烟史、高血压、糖尿病、高血脂、慢性阻塞性肺疾病（chronic obstructive pulmonary disease, COPD）病程、急性加重次数、心率和血清钠比较，差异无统计学意义（P>0.05）;两组血氧分压（partial pressure of oxygen, PaO₂）、血二氧化碳分压（partial pressure of carbon dioxide, PaCO₂）、血pH、血清钾、血清白蛋白和C-反应蛋白（C-reactive protein, CRP）比较，差异有统计学意义（P<0.05）。多因素分析结果显示，PaO₂较低、PaCO₂较高、血pH值较低、血清钾较低和CRP较高是AECOPD患者伴发肺性脑病的独立危险因素（P<0.05）。动态列线图的Hosmer-Lemeshow拟合度检验结果：χ²=2.912,P=0.940,随机森林的Hosmer-Lemeshow拟合度检验结果：χ²=12.628,P=0.125,决策树模型的Hosmer-Lemeshow拟合度检验结果：χ²=9.232,P=0.323;ROC曲线的AUC分别为0.874（95%CI:0.822～0.925）、0.802（95%CI:0.727～0.877）和0.847（95%CI:0.788～0.905）。结论 基于危险因素构建的动态列线图、随机森林和决策树模型均能够有效预测AECOPD患者伴发肺性脑病的风险。

关键词

慢性阻塞性肺疾病急性加重期 / 肺性脑病 / 动态列线图 / 随机森林 / 决策树