目的:全球流行病学数据显示加强监护病房(intensive care unit,ICU)中20%~30%的脓毒症患者因合并凝血病而进展为深静脉血栓(deep vein thrombosis,DVT),相关病死率达25%~40%。然而,现有预后评估工具存在局限,本研究旨在构建列线图和机...目的:全球流行病学数据显示加强监护病房(intensive care unit,ICU)中20%~30%的脓毒症患者因合并凝血病而进展为深静脉血栓(deep vein thrombosis,DVT),相关病死率达25%~40%。然而,现有预后评估工具存在局限,本研究旨在构建列线图和机器学习模型预测脓毒症合并DVT患者发生院内死亡的风险,并分析其临床适用性。方法:基于重症监护医学信息数据库第4版(Medical Information Mart for Intensive Care IV,MIMIC-IV)(n=2235)、电子重症监护协作研究数据库(eICU Collaborative Research Database,e ICU-CRD)(n=1274)和中南大学湘雅三医院加强监护病房入院数据集(定义为CSU-XYS-ICU数据集)(n=107)的多中心回顾性数据。将MIMIC-IV按7:3分为模型训练集(n=1584)和内部验证集(n=651),其余作为外部验证集。通过最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归和贝叶斯信息准则(Bayesian information criterion,BIC)筛选变量,并构建列线图模型;采用极限梯度提升算法(extreme gradient boosting,XGBoost)构建机器学习模型。评估指标包括C指数、校准曲线、Brier评分、决策曲线分析(decision curve analysis,DCA)和净重分类改善指数(net reclassification improvement index,NRI)。结果:通过LASSO回归和BIC筛选出年龄[比值比(odds ratio,OR)=1.02,95%CI 1.01~1.03,P<0.001]、活化部分凝血活酶时间(activated partial thromboplastin,APTT)最小值(OR=1.09,95%CI 1.08~1.11,P<0.001)、APTT最大值(OR=1.01,95%CI 1.00~1.01,P<0.001)、乳酸最大值(OR=1.56,95%CI 1.39~1.75,P<0.001)及血肌酐最大值(OR=2.03,95%CI 1.79~2.30,P<0.001)5个关键预测因子构建列线图模型。模型在内部验证(C指数=0.845,95%CI 0.811~0.879)和外部验证(eICU-CRD,C指数=0.827,95%CI 0.800~0.854;CSU-XYS-ICU,C指数=0.779,95%CI 0.687~0.871)中表现稳健,校准曲线显示预测与实际一致性高(Brier评分<0.25),DCA证实了临床获益。XGBoost模型训练集受试者操作特征(receiver operating characteristic,ROC)的曲线下面积(area under the curve,AUC)为0.982(95%CI 0.969~0.985),但外部验证效能下降(eICU-CRD,AUC=0.825,95%CI 0.817~0.861;CSU-XYSICU,AUC=0.766,95%CI 0.700~0.873),但仍高于临床阈值。XGBoost模型较列线图模型净获益略低(NRI=0.58)。结论:列线图与XGBoost均可有效预测脓毒症合并DVT患者发生院内死亡的风险,但列线图在泛化能力及临床适用性上更具优势,其可视化评分系统为识别高危患者和实施个体化干预提供了量化工具。展开更多
文摘目的:全球流行病学数据显示加强监护病房(intensive care unit,ICU)中20%~30%的脓毒症患者因合并凝血病而进展为深静脉血栓(deep vein thrombosis,DVT),相关病死率达25%~40%。然而,现有预后评估工具存在局限,本研究旨在构建列线图和机器学习模型预测脓毒症合并DVT患者发生院内死亡的风险,并分析其临床适用性。方法:基于重症监护医学信息数据库第4版(Medical Information Mart for Intensive Care IV,MIMIC-IV)(n=2235)、电子重症监护协作研究数据库(eICU Collaborative Research Database,e ICU-CRD)(n=1274)和中南大学湘雅三医院加强监护病房入院数据集(定义为CSU-XYS-ICU数据集)(n=107)的多中心回顾性数据。将MIMIC-IV按7:3分为模型训练集(n=1584)和内部验证集(n=651),其余作为外部验证集。通过最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归和贝叶斯信息准则(Bayesian information criterion,BIC)筛选变量,并构建列线图模型;采用极限梯度提升算法(extreme gradient boosting,XGBoost)构建机器学习模型。评估指标包括C指数、校准曲线、Brier评分、决策曲线分析(decision curve analysis,DCA)和净重分类改善指数(net reclassification improvement index,NRI)。结果:通过LASSO回归和BIC筛选出年龄[比值比(odds ratio,OR)=1.02,95%CI 1.01~1.03,P<0.001]、活化部分凝血活酶时间(activated partial thromboplastin,APTT)最小值(OR=1.09,95%CI 1.08~1.11,P<0.001)、APTT最大值(OR=1.01,95%CI 1.00~1.01,P<0.001)、乳酸最大值(OR=1.56,95%CI 1.39~1.75,P<0.001)及血肌酐最大值(OR=2.03,95%CI 1.79~2.30,P<0.001)5个关键预测因子构建列线图模型。模型在内部验证(C指数=0.845,95%CI 0.811~0.879)和外部验证(eICU-CRD,C指数=0.827,95%CI 0.800~0.854;CSU-XYS-ICU,C指数=0.779,95%CI 0.687~0.871)中表现稳健,校准曲线显示预测与实际一致性高(Brier评分<0.25),DCA证实了临床获益。XGBoost模型训练集受试者操作特征(receiver operating characteristic,ROC)的曲线下面积(area under the curve,AUC)为0.982(95%CI 0.969~0.985),但外部验证效能下降(eICU-CRD,AUC=0.825,95%CI 0.817~0.861;CSU-XYSICU,AUC=0.766,95%CI 0.700~0.873),但仍高于临床阈值。XGBoost模型较列线图模型净获益略低(NRI=0.58)。结论:列线图与XGBoost均可有效预测脓毒症合并DVT患者发生院内死亡的风险,但列线图在泛化能力及临床适用性上更具优势,其可视化评分系统为识别高危患者和实施个体化干预提供了量化工具。
