基于多算法特征筛选的老年髋部骨折患者60天脓毒症发病风险预测模型构建及验证

本研究针对老年髋部骨折后脓毒症早期预测难题，通过LASSO、Boruta和随机生存森林(RSF)多算法联合筛选，建立包含肺炎状态、营养状况等6项指标的预测模型。该模型在训练集(C-index=0.83)、测试集(0.78)和外验证集(0.76)均展现优异判别力，其临床适用性显著优于传统qSOFA评分，为老年髋部骨折患者的脓毒症风险分层提供了可靠工具。

　　

髋部骨折被称为"人生最后一次骨折"，在65岁以上老年人群中发生率居高不下。更令人担忧的是，约17.5%的老年髋部骨折患者会继发脓毒症(Sepsis)，这种由感染引发的全身炎症反应综合征已成为导致患者死亡的核心因素。尽管临床广泛采用快速序贯器官衰竭评分(qSOFA)进行筛查，但该指标在老年髋部骨折群体中表现出高敏感性(>90%)却仅有约50%特异性的尴尬局面，常常导致过度医疗或漏诊。面对这一临床困境，贵州医科大学附属医院急诊科联合多家医疗机构的研究团队开展了一项突破性研究。

研究人员创新性地将三种机器学习算法与经典统计学方法相结合，对697例老年髋部骨折患者进行多中心回顾性分析。通过LASSO回归(Least Absolute Shrinkage and Selection Operator)、Boruta特征选择算法和随机生存森林(Random Survival Forest, RSF)的三重筛选，最终构建包含肺炎状态、营养状况、年龄、糖尿病、血红蛋白和BMI等6个关键指标的预测模型。特别值得注意的是，该研究严格遵循10EPV原则(10 Events Per Variable)，确保模型稳定性，并采用限制性立方样条(Restricted Cubic Spline, RCS)验证连续变量的线性关系。相关成果已发表在老年医学领域权威期刊《BMC Geriatrics》。

在技术方法层面，研究团队首先从三家综合医院电子病历系统提取2018-2022年间590例患者数据作为开发集，107例独立样本作为外验证集。采用多重插补法处理缺失值后，通过10折交叉验证优化LASSO模型的λ值(lambda.1se=0.023)，同时运用SHapley Additive exPlanations(SHAP)值解释RSF的特征重要性。最终模型的区分度、校准度和临床效用分别通过C-index、校准曲线和决策曲线分析(Decision Curve Analysis, DCA)进行评估。

研究结果方面，多项重要发现值得关注：

【风险因素筛选】三种算法共同锁定的6个预测因子均通过多因素Cox分析验证(p<0.05)，方差膨胀因子(VIF)<5且相关系数r<0.6，有效避免多重共线性。其中肺炎患者的脓毒症风险比(HR)高达3.21(95%CI 2.18-4.72)，而血红蛋白>110.8 g/L则显示保护作用(HR=0.62)。

【模型性能验证】模型在训练集的时依AUC值达0.83(95%CI 0.78-0.88)，显著优于qSOFA的0.68(p<0.001)。决策曲线显示当阈值概率在2%-80%区间时，模型净获益率比qSOFA方案提高35%-42%。

【生物学意义阐释】限制性立方样条分析揭示年龄(拐点81.1岁)、BMI(22.7 kg/m²)和血红蛋白(110.8 g/L)与脓毒症风险呈线性关联(p>0.05)，为临床干预提供量化依据。

【临床转化价值】Nomogram评分系统将高风险组(>121分)的60天脓毒症发生率提升至低风险组(<78分)的4.3倍(34.6% vs 8.1%)，且外验证集保持稳定预测性能(C-index=0.76)。

这项研究通过多模态机器学习方法，首次建立了针对老年髋部骨折患者的脓毒症专用预测模型。其临床价值主要体现在三个方面：一是突破传统评分工具qSOFA在特殊人群中的应用局限，将预测准确性提升15%以上；二是揭示营养状况与血红蛋白水平等可干预因素的关键作用，为术前优化提供明确靶点；三是创新性地采用SHAP值解释算法决策过程，增强模型的可解释性。研究团队特别指出，该模型适用于术后患者评估，对于保守治疗者则可在入院完成胸部CT后立即启动评分，具有广泛临床应用场景。未来研究可进一步整合炎症因子等动态指标，有望实现更精准的实时风险预警。