基于机器学习的非心肺转流冠状动脉旁路移植术相关急性肾损伤的预测模型

目的 建立基于机器学习的非心肺转流冠状动脉旁路移植术相关的急性肾损伤(OP-CABG-AKI)可解释性机器学习预测模型.方法 回顾性收集 2018-2021 年行OPCABG的 1110 例患者的临床资料.建立并比较 8 种机器学习模型,采用Python的SHAP模型解释包对预测性能最佳的黑箱模型进行解释性分析.将特征参数SHAP 绝对值的平均值定义为该参数的重要性并进行排序;以SHAP值为依据确定各特征参数与OPCABG-AKI的关系;对主要风险因素进行单个特征量化分析;对模型中具有代表性的真阳性及真阴性样本进行独立的解释性分析.结果 共有 405 例(36.5％)患者发生AKI.在 8 种机器学习模型中,随机森林(RF)预测模型性能最优,针对阳性样本的受试者工作特征曲线(ROC)下面积(AUC)为 0.90(95％CI 0.86～0.94).SHAP 模型解释性分析结果显示术中尿量对RF模型的贡献最大,其次为诱导期循环变异系数、术中右美托咪定用量、术中舒芬太尼用量、术中低血压时间、术前血清肌酐基线、APACHE Ⅱ分数和年龄等.结论 以随机森林集成学习算法构建模型可较好地预测OPCABG-AKI,模型中术中尿量等指标与OPCABG-AKI关系密切.