机器学习DNN和XGBoost算法对危重患者预后预测模型效能评估

• 作者: 李惠萍 胡安民
• 来源期刊: 实用医学杂志
• 学科: 医学
• 关键词: 医疗大数据 重症患者 预测模型 机器学习 深度神经网络 极限梯度提升
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 临床研究
• 页码范围: 466-469
• 页数: 4页
• 分类号: R447
• 字数: 3663字
• 语种: 中文
• DOI: 10.3969/j.issn.1006-5725.2020.04.009

摘要

目的 研究深度神经网络(deep neural network,DNN)和极限梯度提升(XGBoost)算法对单中心重症患者预后的预测效能.方法 本研究使用美国大型重症医学数据库MIMIC-Ⅲ作为数据来源,分别使用DNN和XGBoost算法构建重症患者全因死亡率的预测模型,使用10折交叉验证法对模型性能进行评估,并与传统的简化急性生理评分-Ⅱ(SAPS-Ⅱ)评分比较模型的预测性能.结果 研究共纳入30833例患者,其中7866例(25.5％)患者在进入ICU后1年内死亡.研究采用真阳性率、阳性预测值、F值、受试者工作特征曲线下面积(AUC)进行模型效能的评估.三种模型得到AUC值分别为:SAPS-Ⅱ模型(0.75±0.04)、DNN模型(0.64±0.18)、XGBoost模型(0.80±0.02),提示XGBoost模型在重症患者1年内全因病死率的预测效能优于DNN模型和SAPS-Ⅱ模型.结论 与SAPS-Ⅱ评分及DNN算法模型相比,XGBoost模型可更稳健预测危重患者1年内全因病死率.