第一部分重癥監(jiān)護病房膿毒癥患者死亡風險預測模型及評分系統的構建目的:膿毒癥是重癥監(jiān)護病房（Intensive Care Unit,ICU）內危重癥患者的主要死亡原因之一。如何精準預判膿毒癥的死亡風險,在早期積極干預以及醫(yī)學決策中起到重要的作用。為提高臨床醫(yī)務人員對其死亡風險的預判能力,本研究基于機器學習技術,使用患者基本資料、首日生理數據和實驗室檢查結果,建立ICU膿毒癥患者30天死亡風險預測模型,同時構建膿毒癥死亡風險評分1.0（Sepsis Mortality Risk Score 1.0,SMRS 1.0）。方法:運用重癥監(jiān)護醫(yī)學信息市場（Medical Information Mart for Intensive Care Ⅲ,MIMIC Ⅲ）數據庫,納入2008年至2012年間,年齡≥16歲,新入ICU并且在24小時內被診斷為膿毒癥（按膿毒癥3.0標準）的患者。收集患者基本資料、ICU首日生理數據和實驗室檢查結果,以30天死亡率為最終結局指標。按7:3的比例將入選患者隨機分為訓練組和驗證組,基于訓練組的臨床數據使用logistic回歸方法和隨機森林方法構建模型,驗證組通過計算... 

【文章來源】：浙江大學浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：103 頁

【學位級別】：碩士

【部分圖文】：

病例篩選流程圖

浙江大學碩士學位論文第一部分結果112.3風險預測模型構建將訓練組3,221例患者分為存活組（2,607例）和死亡組（614例）。將訓練組數據導入R3.6軟件，使用“MASS”包構建logistic回歸模型。在單因素回歸中發(fā)現20個變量與膿毒癥患者30天死亡率相關，使用“car”包進行共線性檢驗，結果顯示各變量的VIF均小于5，說明上述各變量間不存在明顯的共線性關系。進一步使用多因素回歸篩選后，最終確定與膿毒癥患者死亡風險相關的14個獨立危險因素（表2.2）。使用“randomForest”包構建隨機森林模型，將所有變量納入建立初始模型。根據MSE最小時獨立樹個數為375對模型進行參數優(yōu)化調節(jié)，得到最終的隨機森林模型。根據隨機森林節(jié)點純度提高值及作圖（圖2.2），發(fā)現血乳酸值、體溫、年齡、血氧飽和度對模型預測性能的提升影響較大。圖2.2隨機森林節(jié)點純度提高值示意圖

浙江大學碩士學位論文第一部分結果172.6風險評分系統評價繪制評分系統在訓練組和驗證組中的ROC曲線（圖2.4），經計算訓練組中AUC為0.786，驗證組中AUC為0.769，與原logistic回歸模型相比預測準確度損失很校根據校準圖（圖2.5）和H-L檢驗證明評分系統在訓練組和驗證組中一致性好（H-L檢驗：訓練組P=0.623，驗證組P=0.379）。在訓練組和驗證組中分別計算各死亡風險組的實際死亡率：低危組（訓練組：2.2%；驗證組：3.8%），中危組（訓練組：10.3%；驗證組：11.8%），高危組（訓練組：29.2%；驗證組：31.2%），極高危組（訓練組：70.0%；驗證組：64.2%）。可見在驗證組中，按照評分系統得分劃分死亡風險組的實際死亡率與訓練組相近（表2.5；圖2.6）。圖2.4風險評分SMRS1.0在訓練組和驗證組中的受試者工作特征曲線

【參考文獻】：
期刊論文
[1]Sepsis 1.0到Sepsis 3.0的變遷與展望[J]. 馬曉春,王亮.  醫(yī)學研究生學報. 2017(10)



本文編號：3060042