文摘目的开发并验证一个基于术中指标在非心胸手术患者术后呼吸衰竭(postoperative respiratory failure,PRF)的机器学习预测模型。方法纳入西南医院2014年1月至2019年6月行非心胸手术患者705例[训练集565例(PRF 128例),测试集140例(PRF 35例)]、华西医院2019年5月至2020年1月和中山医院2019年6月至2019年12月行非心胸手术患者164例[验证集164例(PRF 41例)]。提取患者19项术中预测指标,通过6种机器学习算法:梯度提升模型(gradient boosting model,GBM)、广义线性模型(generalize linear model,GLM)、k-近邻(k-nearest neighbor,KNN)、朴素贝叶斯(naive bayes,NB)、神经网络(neural network,NNET),支持向量机(support vector machine linear,SVM)开发及测试模型,并在验证集进行验证,通过各模型间性能对比,筛选出最佳模型,最终建立网页预测模型。结果GBM获得了最佳性能,准确性76.2%(95%CI:69.0%~82.5%),受试者操作曲线下面积(area under the subject curve,AUC):0.794(95%CI:0.707~0.882),精准-召回曲线下面积(area under the precision-recall curve,AUPRC):0.641,Brier评分:0.169。结论基于GBM算法开发的模型具有更高的泛化性、准确性、临床实用性,并有助于避免过度拟合。建立的网页预测模型(http://150.158.55.139)可为患者PRF提供新的动态评估方法,量化手术风险。
