基于机器学习构建肝硬化患者院内感染风险预测模型

表1 肝硬化患者发生院内感染的单因素分析

	感染组	未感染组	χ2	P值
年龄			6.661	0.010
<60岁	17(26.56)	63(45.65)
≥60岁	47(73.44)	75(54.35)
性别			1.590	0.207
男	47(73.44)	89(64.49)
女	17(26.56)	49(35.51)
住院时间			6.638	0.010
<14 d	28(43.75)	87(63.04)
≥14 d	36(56.25)	51(36.96)
基础病因			1.661	0.197
病毒性肝炎	53(82.81)	103(74.64)
其他	11(17.19)	35(25.36)
肝硬化病程			0.213	0.645
<5年	37(57.81)	75(54.35)
≥5年	27(42.19)	63(45.65)
Child-Pugh分级			29.678	<0.001
A	4(6.25)	37(26.81)
B	23(35.94)	72(52.17)
C	37(57.81)	29(21.01)
糖尿病			0.571	0.450
无	49(76.56)	112(81.16)
有	15(23.44)	26(18.84)
心血管疾病			0.401	0.527
无	48(75.00)	109(78.99)
有	16(25.00)	29(21.01)
慢性肺部疾病			0.002	0.969
无	59(92.19)	127(92.03)
有	5(7.81)	11(7.97)
肝性脑病			9.992	0.002
无	45(70.31)	122(88.41)
有	19(29.69)	16(11.59)
腹水			14.411	<0.001
无	6(9.38)	48(34.78)
有	58(90.63)	90(65.22)
消化道出血			0.005	0.943
无	47(73.44)	102(73.91)
有	17(26.56)	36(26.09)
ALB			6.598	0.010
<30 g/L	43(67.19)	66(47.83)
≥30 g/L	21(32.81)	72(52.17)
预防性使用抗菌药物			33.920	<0.001
无	42(65.63)	32(23.19)
有	22(34.38)	106(76.81)
侵入性操作			16.418	<0.001
无	14(21.88)	72(52.17)
有	50(78.13)	66(47.83)

ALB: 白蛋白.

表2 肝硬化患者发生院内感染的多因素分析

	回归系数	标准误	瓦尔德	P值	OR(95%CI)
年龄
<60岁	Reference
≥60岁	1.307	0.451	8.403	0.004	3.696(1.527-8.945)
住院时间
<14 d	Reference
≥14 d	1.033	0.424	5.951	0.015	2.811(1.225-6.448)
Child-Pugh分级
A	Reference
B	1.254	0.675	3.453	0.063	3.503(0.934-13.144)
C	2.827	0.711	15.800	<0.001	16.894(4.191-68.092)
腹水
无	Reference
有	1.914	0.571	11.220	0.001	6.778(2.212-20.768)
预防性使用抗菌药物
无	Reference
有	-1.916	0.426	20.222	<0.001	0.147(0.064-0.339)
侵入性操作
无	Reference
有	1.476	0.446	10.973	0.001	4.376(1.827-10.482)

表3 10种机器学习模型构建肝硬化患者发生院内感染的性能评估

	AUC(95%CI)	准确率	精确率	召回率	F1-score
Logistic	0.889(0.845-0.933)	0.738	0.55	0.953	0.697
SVM	0.892(0.848-0.935)	0.743	0.556	0.938	0.698
GBM	0.885(0.838-0.932)	0.752	0.569	0.906	0.699
NeuralNetwork	0.889(0.844-0.933)	0.782	0.616	0.828	0.707
RandomForest	0.821(0.762-0.881)	0.837	0.915	0.672	0.775
Xgboost	0.882(0.832-0.932)	0.762	0.58	0.906	0.707
KNN	0.928(0.894-0.963)	0.851	0.75	0.797	0.773
Adaboost	0.806(0.741-0.871)	0.792	0.704	0.594	0.644
LightGBM	0.948(0.920-0.975)	0.876	0.687	0.891	0.776
CatBoost	0.874(0.826-0.921)	0.772	0.598	0.859	0.705

AUC: 受试者工作特征曲线下面积; Logistic: 逻辑回归; SVM: 支持向量机; GBM: 梯度提升机; NeuralNetwork: 神经网络; RandomForest: 随机森林; Xgboost: 极端梯度提升; KNN: K近邻算法; Adaboost: 自适应提升算法; LightGBM: 轻量级梯度提升机; CatBoost: 类别梯度提升.