-
题名基于机器学习构建术后咽喉疼痛风险的预测模型
- 1
-
-
作者
王锐
郑雷雷
余璇
张益
易斌
黄桂华
-
机构
眉山市中医医院麻醉科
贵州中医药大学第二附属医院麻醉科
遵义医科大学第二附属医院麻醉科
陆军军医大学第一附属医院麻醉科
遵义医科大学第三附属医院麻醉科
北京积水潭医院贵州医院麻醉科
-
出处
《临床麻醉学杂志》
北大核心
2025年第5期475-482,共8页
-
文摘
目的 利用机器学习构建术后咽喉疼痛(POST)的风险预测模型。方法 回顾性收集2022年9月至2023年6月行全身麻醉气管插管成年患者757例,男327例,女430例,年龄≥18岁,ASAⅠ—Ⅲ级。根据术后24 h内是否发生POST将患者分为两组:POST组(P组)和无POST组(NP组)。收集患者术前、术中以及术后随访信息,将数据集随机划分成80%的训练集与20%的测试集,采用20折交叉验证以及网格搜索的方式在训练集上进行模型开发,测试集用于内部验证,分别建立逻辑回归(LR)、随机森林(RF)、自适应提升算法(AdaBoost)和极端梯度提升算法(XGBoost)等4种机器学习模型。采用受试者工作特征(ROC)曲线下面积(AUC)、准确性、敏感性、特异性、精确率-召回率曲线(PRC)下面积(AUPRC)、Brier分数评估模型的性能。采用夏普利加法解释(SHAP)对最佳性能的模型进行解释分析。结果 有221例(29.1%)患者发生POST。LR、RF、AdaBoost和XGBoost 4种机器学习模型的AUC分别为0.89(95%CI 0.87~0.90)、0.90(95%CI 0.87~0.91)、0.86(95%CI 0.81~0.89)和0.88(95%CI 0.86~0.91)。RF模型在测试集中表现最优,ROC曲线准确性84.0%,敏感性77.0%,特异性86.0%,Brier分数0.13,AUPRC 0.81,AUC 0.90。SHAP模型解释分析结果显示,拔管时导管套囊带血迹该变量对RF的贡献度最大,其余依次为留置气管导管时间、术中输液量、性别、年龄、气管插管次数>1次、ASA分级、留置胃管。结论 本研究基于LR、RF、AdaBoost和XGBoost算法构建4种POST风险预测模型,其中RF性能最佳。
-
关键词
气管插管
术后咽喉疼痛
机器学习
随机森林
风险预测模型
-
Keywords
Intubation,intratracheal
Postoperative sore throat
Machine learning
Random forest
Risk prediction model
-
分类号
R614
[医药卫生—麻醉学]
-
