关键词:
人体免疫缺陷病毒感染者/艾滋病患者
念珠菌感染
机器学习
预测模型
XGBoost
摘要:
目的 预测影响人体免疫缺陷病毒感染者/艾滋病患者(human immunodeficiency virus/acquired immunodeficiency syndrome, HIV/AIDS)合并念珠菌感染预后的危险因素,为临床医生提供早期识别高危患者的预测指标。方法收集2012年1月—2019年6月在广西某传染病医院住院的HIV/AIDS合并念珠菌感染患者的临床数据,根据患者不同的预后结局分为死亡组和生存组。采用倾向性评分匹配(propensity score matching, PSM)方法按死亡∶生存=1∶3的比例随机选择病例构建模型。将数据按7∶3分为训练集和测试集,构建不同机器学习模型,综合评估模型性能选择最优模型作为最终的预测模型。最后使用SHAP值解释模型的特征,分析患者预后结局的影响因素。结果 本研究共收集了3 098例HIV/AIDS合并念珠菌感染患者。从2012年1月至2019年6月HIV/AIDS合并念珠菌感染患者的住院病死率呈线性平稳下降趋势(P=0.043)。使用PSM后得到1 620例病例数据构建6种不同的机器学习模型,其中XGBoost模型的性能表现最优[训练/测试集,曲线下面积(area under curve, AUC)为0.98/0.85,灵敏度为0.93/0.75,特异度为0.93/0.84]。呼吸衰竭、尿素和乳酸脱氢酶水平被认为是影响患者预后结局的三大因素。结论 XGBoost模型在预测HIV/AIDS合并念珠菌感染患者的预后结局方面表现出良好的预测性能。该模型可为早期识别高危患者提供预警,协助临床医生采取个性化治疗措施,对指导临床决策具有重要意义。