基于机器学习的老年髋部骨折术后严重并发症预测模型构建和验证

摘要

目的 采用机器学习方法，利用本院临床数据构建老年髋部骨折患者院内术后严重并发症预测模型，辅助临床决策。方法 选择重庆大学附属三峡医院2018年1月至2024年1月收治的老年髋部骨折手术患者共685例作为研究对象，其中术后非重度并发症组548例，术后重度并发症组137例。数据预处理特征选择手术患者常见的临床指标(一般资料、手术相关信息和实验室检验),将所有患者按照7∶3比例随机分为训练集(n=480)和测试集(n=205),采用合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)算法平衡数据集后，基于包括随机森林、梯度提升决策树(gradient boosting decision tree, GBDT)、类别特征提升(categorical boosting, CatBoost)等在内的12种机器学习算法建立老年髋部骨折术后的风险预测模型。通过受试者工作曲线下面积(area under the ROC curve, AUC)、敏感度、特异度、准确度和F1分数评估模型。选择性能优秀的CatBoost作SHAP(shapley additive explanations)特征变量分析和临床决策曲线(decision curve analysis, DCA)验证。结果 LightGBM、CatBoost、XGBoost建立的模型有较高预测准确性，其AUC分别为0.916,0.904和0.898。对术后重度并发症有预测意义的前10个特征变量为：骨折类型、合并其他严重慢性疾病、冠心病、手术类型、血红蛋白、年龄、性别、血钾、手术时机、心律失常。决策曲线分析提示在0.1～0.8阈值范围内积极进行临床干预可能有显著收益。结论 利用本院数据采用机器学习构建的预测模型有助于预测院内老年髋部骨折术后严重并发症的发生概率，有利于指导术前决策及个性化处置。

关键词

髋部骨折 / 机器学习 / 术后并发症 / 风险因素 / 老年人 / 预测模型