关键词:
呼吸机相关性肺炎
机械通气
机器学习
风险分析
摘要:
目的基于可解释机器学习模型分析机械通气患者呼吸机相关性肺炎(ventilator-associated pneumonia,VAP)风险。方法选取2022年1月至2024年12月我院收治的机械通气患者77例。发生VAP 19例分为观察组和未发生VAP 58例分为对照组,收集临床资料,采用LASSO回归分析筛选与VAP相关特征,运用逻辑回归(logistic regression,LR)、支持向量机(support vector machine,SVM)、多层感知器(multi-layer perceptron,MLP)及极端梯度提升(eXtreme Gradient Boosting,xGBoost)4种机器学习(machine learning,ML)算法构建预测,采用SHAP方法分析可解释性。结果单因素分析显示,观察组急性生理学及慢性健康状况评分系统(acute physiology and chronic health evaluationⅡ,APACHEⅡ)(21.53±2.50)分、机械通气时间(10.37±3.30)d高于对照组APACHEⅡ(18.59±2.80)分、机械通气时间(8.38±2.55)d,观察组格拉斯哥评分(10.79±2.07)分、白蛋白水平(30.08±3.79)g/L低于对照组格拉斯哥评分(12.14±1.94)分、白蛋白水平(34.22±5.20)g/L,观察组慢性阻塞性肺疾病、糖尿病、使用镇静剂、抗生素种类与对照组差异有统计学意义(P<0.05)。LASSO回归分析显示,APACHEⅡ评分、机械通气时间、白蛋白是机械通气患者发生VAP的风险因素。基于风险因素构建4个ML,xGBoost曲线下面积(area under the curve,AUC)为0.882,准确性为81.30%,敏感度为84.00%,特异度为82.00%。SHAP结果显示,VAP风险贡献度前4的特征分别为APACHEⅡ评分、机械通气时间、白蛋白水平。结论xGBoost敏感度和特异度高,作为一种辅助诊断工具快速、准确判断机械通气患者发生VAP风险,为临床决策提供参考。