多模态数据融合+动态机器学习构建ICU患者MDRO感染早期预警模型的研究

摘要

目的：多模态数据融合+动态机器学习构建ICU患者多重耐药菌（multi-drug resistant organism,MDRO）感染风险预测模型，优选出最优预测模型为医院MDRO感染提供有效的评估工具。方法：选取某三甲医院ICU 2018年1月1日～2023年8月30日的1 200名患者，按照8∶2的比例随机分为训练集（n=960）和测试集（n=240），基于单因素分析将P<0.05的变量作为构建模型的纳入因素，运用随机森林（RF）、极度梯度提升（XGBoost）、决策树中的分类与回归树（classification and regression trees,CART）和logistic回归分别建立ICU患者MDRO感染风险预测模型，通过准确率、灵敏度、特异度、阳性预测值、阴性预测值、Kappa值、AUC值、决策曲线和校准曲线对4种模型的预测性能进行比较。结果：RF模型在训练集和测试集中表现最佳，其准确率、灵敏度、特异度、阳性预测值、阴性预测值及Kappa值均高于其他模型。AUC值从大到小顺序排列，训练集：RF>XGBoost>CRAT>logistic回归；测试集：RF>CRAT>logistic回归>XGBoost。本研究结果显示肺部感染、脑血管疾病、低蛋白血症及侵入性操作为4种模型的高风险预测因子是MDRO感染筛查及进行临床干预的重要理论依据。结论：基于RF算法建立的风险预测模型对ICU患者MDRO感染风险的预测性能优于其他三个机器算法构建的模型。

关键词

ICU患者 / MDRO感染风险 / 机器学习 / 预测模型