机器学习模型预测心脏外科手术患者术后谵妄的有效性.pdfVIP

临床麻醉学杂志２０２３年４月第３９卷第４期ＪＣｌｉｎＡｎｅｓｔｈｅｓｉｏｌ，Ａｐｒｉｌ２０２３，Ｖｏｌ．３９，Ｎｏ．４·３６３·

·临床研究·

机器学习模型预测心脏外科手术患者术后谵妄的

有效性

黄琦关美娇邹彬郑晶晶刁玉刚

【摘要】目的基于机器学习算法建立心脏外科手术患者术后谵妄（ＰＯＤ）风险预测模型，并

验证其有效性。方法选择２０２１年５—１２月择期行心脏外科手术患者７１０例，男４６８例，女２４２例，

年龄≥１８岁，ＡＳＡⅠ—Ⅳ级。采用医疗电子信息系统收集患者资料。记录术前抑郁筛查量表（ＰＨＱ⁃

９）评分、广泛性焦虑障碍量表（ＧＡＤ⁃７）评分以及简易精神状态检查量表（ＭＭＳＥ）。将采集的整个数

据集按照训练集（７５％）和测试集（２５％）的比例进行划分，其中训练集和测试集中ＰＯＤ发生率相同。

建立６种机器学习模型，包括梯度提升决策树（ＧＢＤＴ）、支持向量机（ＳＶＭ）、随机森林（ＲＦ）、逻辑回

归（ＬｏｇＲ）、Ｋ最邻近法（ＫＮＮ）、深度神经网络（ＤＮＮ），基于这６种算法以５折交叉验证的方式对训

练数据集的数据进行模型的学习训练，通过测试数据集的数据对模型性能进行验证。基于准确率、

精确率、召回率、Ｆ１分数、受试者工作特征曲线（ＲＯＣ）及ＲＯＣ曲线下面积（ＡＵＣ）比较不同模型的有

效性，并找出适合本研究数据框架的最佳模型。结果有１５１例（２１３％）心脏外科手术患者中发生

ＰＯＤ。本研究进行了６个机器学习模型的性能比较，在使用全部特征作为潜在风险因素的条件下，

ＧＢＤＴ的ＡＵＣ为０８６（９５％ＣＩ０８２～０８９），ＳＶＭ的ＡＵＣ为０７９（９５％ＣＩ０７６～０８３），ＲＦ的ＡＵＣ为

０８５（９５％ＣＩ０８３～０８７），ＬｏｇＲ的ＡＵＣ为０６７（９５％ＣＩ０６３～０７０），ＫＮＮ的ＡＵＣ为０６７（９５％ＣＩ

０６３～０６９），ＤＮＮ的ＡＵＣ为０７８（９５％ＣＩ０７４～０８２）。结论机器学习算法开发的预测模型可用

于心脏外科手术后ＰＯＤ的预测，其中ＧＢＤＴ和ＲＦ表现出了较好的机器学习效能，适合于本研究数

据框架，更有可能提高ＰＯＤ预测的准确性。特征工程可进行患者数据的可视化处理，以筛选心脏外

科手术发生ＰＯＤ的风险因素。

【关键词】心脏外科手术；人工智能；机器学习；术后谵妄；预测模型

Ｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｍａｃｈｉｎｅｌｅａｒｎｉｎｇｍｏｄｅｌｓｉｎｐｒｅｄｉｃｔｉｎｇｐｏｓｔｏｐｅｒａｔｉｖｅｄｅｌｉｒｉｕｍｉｎｐａｔｉｅｎｔｓｕｎｄｅｒｇｏｉｎｇ

ｃａｒｄｉａｃｓｕｒｇｅｒｙＨＵＡＮＧＱｉ，ＧＵＡＮＭｅｉｊｉａｏ，ＺＯＵＢｉｎ，ＺＨＥＮＧＪｉｎｇｊｉｎｇ，ＤＩＡＯＹｕｇａｎｇ．Ｄｅｐａｒｔｍｅｎｔ

ｏｆＡｎｅｓｔｈｅｓｉｏｌｏｇｙ，ＧｒａｄｕａｔｅＴｒａｉｎｉｎｇＢａｓｅ，ＧｅｎｅｒａｌＨｏｓｐｉｔａｌｏｆＮｏｒｔｈｅｒｎＴｈｅａｔｅｒＣｏｍｍａｎｄ，Ｃｈｉｎａ

ＭｅｄｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｓｈｅｎｙａｎｇ１１００００，Ｃｈｉｎａ

Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ：ＤＩＡＯＹｕｇａｎｇ，Ｅｍａｉｌ：ｄｉａｏ７２＠１６３．ｃｏｍ

【Ａｂｓｔｒａｃｔ】ＯｂｊｅｃｔｉｖｅＲｉｓｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｆｏｒｐｏｓｔｏｐｅｒａｔｉｖｅｄｅｌｉｒｉｕｍ（ＰＯＤ）ｉｎｃａｒｄｉａｃｓｕｒｇｅｒｙ

ｐａｔｉｅｎｔｓｗａｓｅｓｔａｂｌｉｓｈｅｄｂａｓｅｄｏｎｍａｃｈｉｎｅｌｅａｒｎｉｎｇ（ＭＬ）ａｌｇｏｒｉｔｈｍ，ａｎｄｉｔｓｅｆｆｅｃｔｉｖｅｎｅｓｓｗａｓｖｅｒｉｆｉｅｄ．

ＭｅｔｈｏｄｓＡｔｏｔａｌｏｆ７１０ｐａｔｉｅｎｔｓｗｉｔｈｅｌｅｃｔｉｖｅｈｅａｒｔｓｕｒｇｅｒｙｆｒｏｍＭａｙ２０２１ｔｏＤｅｃｅｍｂｅｒ２０２１ｗｅｒｅｓｅｌｅｃｔ⁃

－

ｅｄ，４６８ｍａｌｅｓａｎｄ２４２ｆｅｍａｌｅｓ，ａｇｅｄ≥１８ｙｅａｒｓ，ＡＳＡｐｈｙｓｉｃａｌｓｔａｔｕｓⅠⅣ．Ｄａｔａｗｅｒｅｃｏｌｌｅｃｔｅｄｔｈｒｏｕｇｈ

ｔｈｅｍｅｄｉｃａｌ