老年出血性脑卒中患者卒中相关性肺炎风险预测模型的构建及验证

摘要

目的 利用机器学习方法构建老年出血性脑卒中患者卒中相关性肺炎(SAP)的风险预测模型，为临床决策和预防控制提供参考。方法 回顾性收集2020年1月至2022年12月贵州省贵阳市3所三级医院的老年出血性脑卒中患者作为建模的研究对象，按7∶3分配原则随机拆分为训练集(n=462)与内部验证集(n=196)。同时回顾性收集2023年1月至2023年12月上述3所医院老年出血性脑卒中患者(n=130)的临床数据用于外部验证。经单因素和多因素回归分析后，构建logistic regression(LR)、XGBoost、Naive Bayes及SVM 4种机器学习模型。在训练集与内部验证集中绘制受试者工作特征曲线(ROC),计算曲线下面积(AUC),并采用DeLong's test或Bootstrap test对模型的AUC进行两两比较。以灵敏度、特异度、准确率、精确度、召回率及F1值评估模型预测效能，通过校准曲线评估模型的校准度。选出最优模型后，在外部验证集中绘制ROC曲线及校正曲线，评估风险预测模型的区分度及校准度。结果 共纳入788例老年出血性脑卒中患者，SAP发生率为46.7%(368/788)。高龄、吸烟、低格拉斯哥昏迷量表(GCS)评分、低Braden评分和鼻胃管是SAP发生的危险因素。在4种机器学习算法中，LR模型在多个评估指标中显示出稳健和一致的预测能力，并在外部验证集中表现出稳定的普遍适用性。基于此，选择LR模型进行外部验证，并构建列线图使预测结果可视化。该模型的AUC分别为0.883(训练集)、0.855(内部验证)和0.882(外部验证)。Hosmer-Lemeshow(H-L)检验提示该模型在数据集中拟合情况良好，P分别为0.381、0.142和0.066。结论 本研究构建的LR模型在老年出血性脑卒中患者SAP风险预测中具有良好的预测效能和普遍适用性，可为临床决策和SAP的预防控制提供参考。

关键词

机器学习 / 老年 / 出血性脑卒中 / 卒中相关性肺炎 / 预测模型 / 验证