目的 采用机器学习方法构建老年患者术后急性肾损伤(AKI)的预测模型.方法 收集2019年6月至2020年7月行手术治疗的老年患者的术前信息和术后随访信息,提取实验室检查结果,共纳入115个术前变量,应用极端梯度提升(XGB)、梯度提升(GBM)、随机森林(RF)、支持向量机(SVM)和弹性网络逻辑回归(ELA)5种方法构建术后AKI预测模型,采用受试者工作特征曲线下面积(AUROC)、精确度-召回率曲线下面积(AUPRC)和Brier评分评估模型性能.为简化模型以便于临床实践应用,得到原始模型后剔除部分相关性较低的变量,并再次用上述方法对模型进行评估.结果 本研究最终纳入老年患者5 929例,男3 359例(56.7％),女2 570例(43.3％),年龄65～99岁,其中154例(2.6％)发生术后AKI.在应用5种机器学习方法构建的预测模型中,XGB模型的 AUROC 和 AUPRC 最高,分别为 0.798(95％CI 0.705～0.888)和 0.230(95％CI 0.079～0.374);Brier评分最低,为0.023(95％CI 0.014～0.029).对XGB模型进行简化后,保留72个变量,简化模型的 AUROC、AUPRC 和 Brier 评分分别为 0.790(95％CI 0.711～0.861)、0.176(95％CI 0.070～0.313)和0.024(95％CI 0.017～0.033),与原模型差异无统计学意义.结论 在应用5种机器学习方法构建的术后急性肾损伤预测模型中,XGB的预测效能

作者：刘泽宇；彭夕然；郝学超；朱涛

来源：临床麻醉学杂志 2023 年 39卷 12期