基于机器学习构建的7种不同模型预测重型颅脑损伤所致昏迷患者近期预后临床效能比较

摘要

目的 探讨并构建最优的机器学习模型，以预测重型颅脑损伤昏迷患者的近期预后。方法 回顾性分析2022年1月1日—2024年12月1日收治的262例重型颅脑损伤昏迷患者。根据6个月随访时的格拉斯哥预后评分（GOS），将患者分为预后良好组（GOS≥4分，112例）和预后不良组（GOS≤3分，150例）。研究利用患者入院时的临床数据，分别采用逻辑回归（LR）、支持向量机（SVM）、多元自适应回归样条（MARS）、随机森林（RF）、K近邻（KNN）、极限梯度提升（XGB）和人工神经网络（ANN）共7种机器学习方法构建预测模型。通过10折交叉验证评估模型性能，并以受试者操作特征（ROC）曲线下面积（AUC）为主要指标，同时比较各模型的准确度、灵敏度和特异度。结果 在7种机器学习模型中，ANN模型的预测性能优于其他模型，其AUC值为0.905。其余模型的AUC为0.581～0.760。在准确度、灵敏度和特异度方面，ANN也表现最佳。进一步验证显示，该ANN模型在训练集和测试集中的损失函数、均方差和精确度在100次迭代中趋势一致，表明模型稳定可靠。影响预后的关键因素分析显示，格拉斯哥昏迷评分（GCS）、脑电双频指数（BIS）和血氧分压（PO₂）是模型中最重要的预测因子。结论 基于ANN算法构建的预测模型对重型颅脑损伤昏迷患者的近期预后具有良好的预测能力，性能优于传统机器学习模型，可为临床判断病情和预后提供有价值的参考依据。

关键词

颅脑损伤 / 预后 / 机器学习 / 人工神经网络 / 预测模型