临床研究
Copyright ©The Author(s) 2025. Published by Baishideng Publishing Group Inc. All rights reserved.
世界华人消化杂志. 2025-03-28; 33(3): 199-206
Published online 2025-03-28. doi: 10.11569/wcjd.v33.i3.199
基于机器学习构建肝硬化患者院内感染风险预测模型
顾晓菲, 梁晓洁, 董金玲
顾晓菲, 梁晓洁, 董金玲, 湖州师范学院附属第一医院感染科 浙江省湖州市 313000
顾晓菲, 护师, 研究方向为肝病护理.
作者贡献分布: 此课题由顾晓菲设计; 研究过程由顾晓菲、梁晓洁操作完成; 数据收集由梁晓洁完成; 数据分析由顾晓菲、董金玲完成; 本论文写作由顾晓菲、梁晓洁、董金玲完成.
通讯作者: 顾晓菲, 本科, 护师, 313000, 浙江省湖州市广场后路158号, 湖州师范学院附属第一医院感染科. wangzidaren@126.com
收稿日期: 2025-02-28
修回日期: 2025-03-17
接受日期: 2025-03-25
在线出版日期: 2025-03-28
Abstract
背景

肝硬化患者因免疫功能受损导致院内感染风险增加, 影响患者预后, 加重医疗负担. 本研究拟对相关影响因素进行探讨, 并建立基于机器学习算法的风险预测模型, 以尽早识别院内感染高危患者, 并采取针对性的预防干预措施.

目的

探讨机器学习算法分析肝硬化患者发生院内感染的危险因素及构建风险预测模型.

方法

选择2022-01/2024-12于湖州师范学院附属第一医院感染科就诊的肝硬化患者为研究对象. 收集患者临床资料, 利用单因素分析和多因素Logistic回归分析筛选特征危险因素. 基于逻辑回归、支持向量机、梯度提升机、神经网络、随机森林、极端梯度提升、K近邻算法、自适应提升算法、轻量级梯度提升机(light gradient boosting machine, LightGBM)、类别梯度提升10种机器学习算法构建预测模型. 通过受试者工作特征(receiver operating characteristic, ROC)曲线、准确度、精确度、召回率、F1-score和Delong检验评估模型的预测性能并比较其差异. 利用最优模型对危险因素进行重要性排序.

结果

共纳入202例肝硬化患者, 院内感染发生率为31.68%. 综合模型各指标表现, LightGBM模型的ROC曲线下面积(area under the ROC curve, AUC)(0.948)、准确率(0.876)和F1-score(0.776)最高, Delong检验结果显示LightGBM模型的AUC值高于其他模型, 差异均有统计学意义(P均<0.05). LightGBM为最优模型. 基于LightGBM模型计算肝硬化患者发生院内感染危险因素的重要性评分, 得到重要性排序依次为: 预防性使用抗菌药物、Child-Pugh分级、腹水、年龄、住院时间、侵入性操作.

结论

本研究构建的基于LightGBM算法肝硬化患者院内感染风险预测模型具有较高的预测效能, 有助于临床医护人员早期识别感染高危人群, 进行及时干预, 从而改善患者预后.

Keywords: 机器学习; 肝硬化; 院内感染; 风险因素; 预测模型

核心提要: 肝硬化病人发生医院感染会进一步加重肝脏损伤, 引发全身炎症反应, 甚至出现多器官功能衰竭. 本研究基于机器学习算法构建相关风险预测模型, 以尽早识别院内感染高危患者, 并采取针对性的预防干预措施, 改善患者预后.