比较多种机器学习模型预测肺移植术后受者生存

摘要

目的 比较不同机器学习算法构建的预后模型在预测肺移植（LTx）受者生存期方面的性能和表现。方法 回顾性收集483例行LTx手术的受者资料，所有受者按7∶3的比例分为训练集和验证集，将收集到的24个变量基于变量重要性（VIMP）进行筛选，利用随机生存森林（RSF）和极端梯度提升树（XGBoost）构建预后模型，使用综合曲线下面积（iAUC）和时间依赖曲线下面积（t AUC）进行模型性能评估。结果 训练集和验证集的各变量差异均无统计学意义。基于VIMP筛选排名前15的变量用于建模并确定重症监护室（ICU）住院时间为最重要的因素。与XGBoost模型相比，RSF模型在预测受者生存期方面表现出更好的性能（i AUC0.773比0.723）。在预测受者6个月生存期（tAUC6个月0.884比0.809,P=0.009）和1年生存期（tAUC1年0.896比0.825,P=0.013）方面，RSF模型也表现出更好的性能。基于两种算法的预测截断值，将LTx术后受者分为高风险组和低风险组，两种模型的生存分析结果均显示高风险组受者的生存率低于低风险组（P<0.001）。结论 与XGBoost相比，基于RSF算法开发的机器学习预后模型可以更好地预测LTx受者的生存期。

关键词

肺移植 / 机器学习 / 预测模型 / 随机生存森林 / 极端梯度提升树 / 生存期 / 比例风险回归模型 / 重症监护室