针对住院心脏骤停后30天神经功能预后的机器学习模型的探索性开发与内部验证：一项回顾性队列研究

《BMC Medical Informatics and Decision Making》：Exploratory development and internal validation of machine learning models for 30-day neurological outcome prediction after in-hospital cardiac arrest: a retrospective cohort study

　　

摘要

背景

院内心脏骤停（IHCA）后的神经功能预后仍然很差，仅有10%–25%的患者能够获得良好的恢复效果。早期预后评估对于指导治疗决策和资源配置至关重要；然而，准确且易于解释的预测模型仍然非常有限。这项探索性研究旨在利用容易获取的临床变量，评估机器学习方法在预测IHCA后30天神经功能预后方面的区分能力。

方法

我们回顾性分析了124名IHCA患者（2020年1月至2024年4月）的数据。由于样本量有限且类别分布不均衡（良好预后比例为17.7%），我们采用了带有袋外（OOB）验证的自举重采样方法（1000次迭代）。在每次自助迭代中，通过递归特征消除（RFE）和AUC-ROC指标来选择特征。自助训练集使用了合成少数类过采样技术（SMOTE）结合Tomek链接进行处理，而OOB样本保持其原始的类别分布。通过自助稳定性分析（选择频率≥80%）确定了最优特征子集。我们使用OOB验证方法比较了九种算法的性能。为了将机器学习方法与现有方法进行对比，我们还评估了一个基于五个选定预测因子的传统逻辑回归模型（LR-conv）以及已建立的“尝试复苏后的良好预后”（GO-FAR）评分。

结果

在各种机器学习算法中，XGBoost获得了最高的平均OOB AUC值（0.81 ± 0.09）。LightGBM的平均OOB AUC值也相当（0.80 ± 0.09），校准效果良好（Brier分数0.14 ± 0.04）。有五个预测因子的选择频率超过80%：复苏时间（100.0%）、白蛋白（99.0%）、ALB/WBC比值（96.7%）、白细胞计数（90.7%）和年龄（90.3%）。使用相同的五个预测因子，LR-conv的平均OOB AUC-ROC值为0.70 ± 0.09。GO-FAR评分的平均AUC值通过自助估计法得出为0.73 ± 0.07。

结论

在这项小型单中心队列研究中，XGBoost和LightGBM在预测IHCA后30天的神经功能预后方面表现出良好的区分能力。这些发现应被视为初步研究结果，在临床应用之前需要进行外部验证。

注册

本研究未进行前瞻性注册。

方案

在数据分析之前，没有制定正式的研究方案。