传统逻辑回归与机器学习在预测成人脓毒症患者死亡率中的比较

背景 脓毒症是一种危及生命的疾病，其死亡率高，这突显了探索新模型以预测该患者群体预后的必要性。本研究比较了传统逻辑回归和机器学习模型在预测成人脓毒症死亡率方面的表现。目的 开发一种基于比较传统逻辑回归和机器学习方法的成人脓毒症患者死亡率预测最佳模型。方法 回顾性分析了2020年1月至2022年12月期间在我院住院的606例成人脓毒症患者，他们被随机分为训练集和验证集，比例为7:3。采用传统逻辑回归和机器学习方法评估成人脓毒症死亡率的预测能力。单变量分析确定了逻辑回归模型的独立风险因素，而最小绝对收缩与选择算子（LASSO）回归则促进了机器学习模型的变量收缩和选择。在多种机器学习模型中，包括袋装树、增强树、决策树、LightGBM、朴素贝叶斯、最近邻、支持向量机（SVM）和随机森林（RF），选择了曲线下面积（AUC）最大的模型进行构建。模型验证及与序贯器官功能评估（SOFA）和急性生理与慢性健康评估（APACHE）评分的比较采用接收者操作特征（ROC）曲线、校准曲线和决策曲线分析（DCA）曲线在验证集中进行。结果 单变量分析评估了17个变量，分别为性别、冠心病病史（CHD）、收缩压、白细胞（WBC）、中性粒细胞计数（NEUT）、淋巴细胞计数（LYMP）、乳酸、中性粒细胞与淋巴细胞比率（NLR）、红细胞分布宽度（RDW）、白细胞介素-6（IL-6）、凝血酶原时间（PT）、国际标准化比率（INR）、纤维蛋白原（FBI）、D-二聚体、天冬氨酸氨基转移酶（AST）、总胆红素（Tbil）和肺部感染。这些变量在生存和非生存组之间存在显著差异（p < 0.05）。利用“后退”法的逐步回归确定收缩压、乳酸、NLR、RDW、IL-6、PT和Tbil等独立风险因素。这些因素随后被纳入根据最小赤池信息量准则（AIC）值选择的逻辑回归模型（98.65）。也应用了机器学习技术，显示出最大曲线下面积（AUC）为0.999的RF模型被选中。LASSO回归采用lambda.1SE标准，确定了收缩压、乳酸、NEUT、RDW、IL6、INR和Tbil作为构建RF模型的变量，并通过十折交叉验证进行验证。进行模型验证并与传统逻辑模型、SOFA和APACHE评分进行比较。结论 基于深度机器学习原理，RF模型在预测成人脓毒症预后方面相较于传统逻辑回归模型具有优势。RF模型在临床监测和干预以改善脓毒症患者结果方面具有重要潜力.