基于随机森林算法的儿童重症腺病毒肺炎临床预测模型研究

目的:基于随机森林算法构建儿童重症腺病毒肺炎(severe adenovirus pneumonia，SAP)的临床预测模型，并对其进行验证。方法:采用观察性研究设计，回顾性分析2019年1月至2021年1月天津市儿童医院收治的542例腺病毒肺炎患儿的临床、实验室及影像学资料。将研究对象随机分为训练集和验证集(8∶2)。训练集通过随机森林算法筛选SAP的预测因子建立预测模型，并通过列线图将预测模型可视化表达。在验证集中利用受试者工作特征(ROC)曲线和敏感性、特异性、误判率、混淆矩阵对其进行验证。结果:训练集患儿439例，其中重症型187例(42.60%)，验证集患儿103例，其中重症型44例(42.71%)。训练集中单核细胞百分比(M%)、PLT、AST、IL-6、热峰、肺部大片炎性实变、肺部斑片状阴影是影响SAP的独立预测因子。模型区分度验证发现训练集和验证集的ROC曲线下面积分别为0.95(95% CI：0.92~0.98)和0.92(95% CI：0.82~0.99)。训练集的准确度、灵敏度、特异性、阳性预测值和阴性预测值分别为0.994、1.000、0.987、0.998、1.000；验证集的分别为0.752、0.990、0.514、0.945、0.857。 结论:该预测模型具有较好的判别能力，早期的临床及血液学指标有助于提高儿童SAP的识别和筛选，具有一定的临床价值。