基于机器学习的A型主动脉夹层全弓置换术后并发消化道出血的预测模型构建与验证
赵建超
周玲玲
裴宇
梁爽
郑州大学第一附属医院心外科,河南郑州 450000
摘要：目的 通过机器学习算法构建A型主动脉夹层(TAAD)患者全弓置换术后并发消化道出血(GIB)的预测模型及验证.方法 回顾性分析2021年6月至2024年4月于郑州大学第一附属医院接受全弓置换术的736例TAAD患者的临床资料,通过最小绝对收缩和选择算子(LASSO)筛选术后发生GIB的影响因素.将患者按照7∶3分为训练集(515例)与验证集(221例),使用极限梯度提升树(XGBoost)、轻量的梯度提升机(LightGBM)、logistic回归、高斯朴素贝叶斯分类(GNB)、支持向量机(SVM)、k近邻(KNN)等6种广泛使用的机器学习算法,构建TAAD患者术后并发GIB的预测模型.采用受试者工作特征曲线下面积(AUC)、校准曲线、精确召回率(PR)曲线、决策曲线分析(DCA)对各模型进行评估,沙普利加法解释(SHAP)分析对影响因素进行重要性排序.结果 736例患者中,发生GIB有150例,发生率20.38％(150/736).非GIB组与GIB组年龄、高血压、术前SpO2＜95％、输血量、低心排血量综合征(LCOS)、撤出呼吸机时间＞72 h、感染、连续性肾脏替代治疗(CRRT)、ICU入住时间比较,差异有统计学意义(P＜0.05).采用LASSO回归筛选TAAD患者术后发生GIB的影响因素,以此构建的6种预测模型中,logistic回归模型表现良好,验证集的AUC为0.859,校准曲线与DCA显示该模型具有较高精准度与净收益率.SHAP分析显示,TAAD患者术后发生GIB的影响因素的重要性排序分别为输血量、年龄、感染、CRRT、LCOS、撤出呼吸机时间＞72 h.结论 以输血量、年龄、感染、CRRT、LCOS、撤出呼吸机时间＞72 h构建的logistic回归模型为TAAD患者全弓置换术后并发GIB的最佳预测模型,有利于临床医护人员更好地识别发生GIB的风险.
关键词：A型主动脉夹层全弓置换术消化道出血机器学习算法预测模型
分类号：R654.2(外科学各论)
论文发表日期：2026-05-28
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：6( 1770-1775 )
英文信息