基于机器学习算法构建心脏手术患者术后早期谵妄风险预测模型

目的 基于极限梯度提升树(extreme gradient boosting,XGBoost)机器学习算法,构建心脏手术术后谵妄(postoperative delirium,POD)风险的预测模型,评价其与传统Logistic回归(logistic regression,LR)模型的预测效果,为早期识别、早期干预治疗POD提供参考.方法 采用病例-对照研究设计方案,筛选2022年3～7月陆军军医大学第二附属医院病历系统内因心脏病择期行全麻下心脏手术治疗的患者684例.根据术后3天的随访结果将其分为谵妄组(n=38)和非谵妄组(n=646),将患者按7:3比例随机分为训练集(479例)和测试集(205例).使用LASSO回归分析筛选与POD相关的重要变量.LR和XGBoost用于构建预测模型.计算预测模型的受试者工作特征曲线下面积(under receiver operating characteristic curve,ROC-AUC)以及最佳阈值下的灵敏度和特异度,并比较不同模型的预测性能.结果 心脏手术患者术后3天谵妄发生率为5.56％.与非谵妄组相比,谵妄组患者的年龄越大(P＜0.05)、糖尿病史比例越高(P＜0.05),且术前收缩压、术后睡眠评分更低(P＜0.05),其余资料差异均无统计学意义(P＞0.05).最终纳入年龄、术前外周血氧饱和度、术前局部脑氧饱和度、术前收缩压、术后睡眠评分共5个变量进行建模.LR及XGBoost模型的AUC依次为0.732(95％CI:0.430～1.000)、0.659(95％CI:0.559～0.759),其中LR的AUC更高,预测性能更好,但其灵敏度为50％,低于XGBoost(67％),特异度为100％,高于XGBoost(98.5％).结论 基于XGBoost这种集成学习算法建立的心脏手术术后谵妄预测模型的效能并不优于传统的LR模型,LR模型可较好地预测心脏手术后谵妄的发生,为POD早期干预治疗提供参考.但XGBoost对术后谵妄的诊断更灵敏.