基于机器学习的脓毒性休克患者乳酸清除率动态预测模型开发与验证

摘要

目的 针对脓毒性休克患者乳酸代谢动态监测的临床需求，开发基于长短期记忆网络(LSTM)的时序预测模型，用于预测入院24 h乳酸清除率。方法 采用多阶段回顾性队列设计，纳入2018年1月—2024年9月某医院重症医学科收治的脓毒性休克患者。通过单因素分析和LASSO联合特征筛选，从多维临床数据中提取预测因子。建立端到端LSTM架构(双层64/32单元，dropout率=0.3),采用滑动窗口策略(6 h步长)进行动态预测，并与传统logistic模型进行校准度(Brier score)、区分度[时间依赖性受试者工作特征曲线下面积(AUC)]和临床实用性(决策曲线分析)三维度对比。模型预测结果与实际乳酸清除率进行一致性分析，评估预测准确性。结果 共纳入112例脓毒性休克患者，其中男性65例，女性47例；平均年龄(67.35±7.28)岁。乳酸清除率≥10%的良好组65例，<10%的不良组47例；训练集78例，验证集34例。时间依赖性AUC分析显示，LSTM模型在6、12、24 h时间窗的预测性能分别为0.89(0.85～0.93)、0.91(0.88～0.95)、0.92(0.89～0.96),优于logistic回归模型(ΔAUC=0.085,P<0.01)。核心预测因子包括APACHEⅡ评分(OR=1.38)、入院时乳酸水平(OR=1.65)、血管活性药物剂量(OR=1.42)和6 h液体复苏量(OR=1.35)。模型预测值与实际24 h乳酸清除率的Pearson相关系数为0.83(P<0.001),平均绝对误差为8.2%。决策曲线分析证实，当阈值概率在15%～60%时，LSTM模型可提升27.3%的临床净收益。各亚组验证显示，模型在肺部感染亚组(n=16)中保持最优预测效能(AUC=0.87)。结论 基于LSTM的乳酸清除率动态预测模型通过整合入院早期指标预测24 h乳酸清除率，具有良好的预测性能和临床应用价值，可为脓毒性休克患者的个体化治疗决策提供重要参考。

关键词

脓毒性休克 / 乳酸清除率 / 长短期记忆网络 / 预测模型 / 机器学习

基金资助

2024年度安徽省中医药传承创新科硏基金项目(2024CCCX128)