脑卒中患者医院感染风险预测模型的构建及评价

摘要

目的 构建脑卒中患者医院感染风险预测模型，精准有效的筛选出潜在高危人群，并为其制订针对性预防干预措施，减少感染发生。方法 选取“河南省脑卒中队列”2019—2021年脑卒中患者为研究对象，收集相关临床资料作为主分析数据，用于模型构建及内部验证。随机选取三所从未参与队列构建的医院2022年1—9月脑卒中患者的相关数据，作为测试集，用于风险预测模型的外部验证。将主分析数据随机划分为训练集和测试集，分别基于logistic回归、人工神经网络(ANN)算法、极端梯度提升算法和随机森林算法构建风险预测模型，采用多种指标评价模型预测性能，并基于测试集数据对构建的最优模型进行外部验证。结果 主分析数据中脑卒中患者的感染率为20.6%,测试集数据中脑卒中患者的感染率为56.4%。基于logistic回归构建的风险预测模型的准确度为91.2%,受试者工作特征(ROC)曲线下面积(AUC)为0.938,精确率为0.851,召回率为0.695,特异度为0.968,F1值为0.765。logistic与ANN风险预测模型的准确率、精确率、特异度、AUC均显著优于其他模型，而logistic风险预测模型的召回率、F1分数略优于ANN风险预测模型。logistic风险预测模型在外部验证中仍具有优秀的预测性能。结论 基于logistic回归构建的脑卒中患者医院感染风险预测模型能较好的筛选出具有感染风险的高危脑卒中患者，并有助于为其制订针对性的预防干预措施，以减少感染的发生。

关键词

脑卒中 / 医院感染 / 机器学习 / 风险预测模型