基于机器学习构建老年脓毒症患者预警模型：开启精准诊疗新篇

《Scientific Reports》：Constructing an early warning model for elderly sepsis patients based on machine learning

为解决老年脓毒症早期诊断困难的问题，宁夏医科大学总医院研究人员开展构建老年脓毒症早期预警模型的研究。结果显示，基于 XGBoost 构建的模型性能最佳，基线 APTT 和淋巴细胞计数作用关键。这有助于早期诊疗，改善患者预后。

　　脓毒症，就像隐藏在人体健康防线中的 “暗箭”，严重威胁着人类生命。尤其是在老年人群体中，它更是来势汹汹。随着全球人口老龄化加剧，老年脓毒症患者数量不断增加。老年人本身免疫力较低，基础疾病多，一旦感染脓毒症，病情往往更加严重，死亡率也居高不下。而且，脓毒症的早期诊断极为复杂，传统诊断方法存在漏诊、主观性强等问题，导致很多患者无法得到及时有效的治疗。

为了突破这一困境，宁夏医科大学总医院的研究人员展开了一项极具意义的研究。他们旨在构建老年脓毒症患者的早期预警模型，并评估其性能，期望能为临床医生提供更精准的诊断依据，改善老年脓毒症患者的预后。

最终，研究人员成功构建了多个模型，并发现基于 XGBoost 算法构建的模型表现最为出色。这一研究成果发表在《Scientific Reports》上，为脓毒症的早期诊断带来了新的希望。

在研究过程中，研究人员运用了多种技术方法。他们收集了 2021 年 1 月 1 日至 2023 年 8 月 1 日宁夏医科大学总医院急诊科和重症监护室的老年患者数据。数据处理时，用中位数填充缺失值，采用 min - max 方法标准化数据。通过最小绝对收缩和选择算子（LASSO）回归与随机森林法筛选特征，最终利用 8 种机器学习模型构建预警模型，以受试者工作特征曲线下面积（AUROC）等指标评估模型性能 ，还用 SHAP 进行模型可解释性分析。

下面来看具体的研究结果：

• 患者特征：研究初始纳入 15690 名患者，经过层层筛选，最终确定 2976 名患者作为研究对象，其中男性 1674 名，女性 1302 名，年龄在 60 - 97 岁，中位年龄 72 岁。
• 特征筛选：最初纳入 429 个特征，经过多次筛选，最终确定 12 个特征用于构建模型，这些特征在脓毒症预测中具有重要意义。
• 数据集划分：将数据按 7:3 的比例随机划分为训练集和测试集，并对训练集进行 SMOTE 过采样处理，使正负样本数量均衡，为后续模型构建奠定基础。
• 模型构建与结果：利用 8 种机器学习模型构建脓毒症预警模型，结果显示 XGBoost 模型表现最佳，其 AUROC 达到 0.971，AUPRC 为 0.862，准确率为 0.95 ，特异性为 0.964，F1 评分 0.776。
• 模型可解释性（SHAP）：通过 SHAP 分析发现，基线活化部分凝血活酶时间（APTT）对脓毒症预测影响最大，其次是基线淋巴细胞计数和最新碳酸氢盐水平。较高的基线 APTT 和较低的基线淋巴细胞计数，意味着患者发生脓毒症的风险更高。

在研究结论与讨论部分，此次构建的基于 XGBoost 的预警模型性能良好，能有效预测老年患者入院 24 小时后是否发生脓毒症，为临床决策提供有力支持。同时，明确了基线 APTT 和淋巴细胞计数等特征在脓毒症预测中的重要作用，有助于医生更有针对性地关注高风险患者。然而，该研究也存在一定局限性，如单中心研究可能导致数据偏差和混杂变量。未来需要进一步扩大样本量，开展多中心研究，提高模型的泛化能力。尽管如此，这项研究依然为老年脓毒症的早期诊断和治疗开辟了新的道路，有望推动临床实践的发展，拯救更多老年脓毒症患者的生命。