基于LASSO-logistic回归模型构建脓毒症相关性脑病的风险预测模型OA

目的采用LASSO-logistic回归及递归特征消除(RFE)等方法筛选脓毒症相关性脑病(SAE)发生的危险因素,构建相应的临床预测模型并予以验证。方法纳入来自公开、去标识化重症监护医学数据库(MIMIC-Ⅳ,v2.2)的6258例脓毒症患者进行回顾性分析。根据在ICU期间是否发生SAE,患者被分为SAE组(n=3196)与非SAE组(n=3062),对这两组患者的临床基线资料进行比较。然后,将所有患者按7:3比例随机划分为训练集(n=4380)与内部验证集(n=1878)。在训练集内部采用多阶段变量筛选策略:先通过LASSO回归结合单因素logistic回归(P<0.05)进行特征初筛,再应用RFE和Spearman相关性分析(r<0.5)进一步精炼变量,最终利用多因素logistic回归构建预测模型。采用列线图实现模型的可视化。在独立的内部验证集上对模型性能进行综合评价:通过受试者操作特征(ROC)曲线下面积(AUC)评估其区分度,通过校准曲线评估其校准度,并采用决策曲线分析(DCA)评估其临床净收益。最后,利用EICU数据库中的13330例脓毒症患者组成的外部验证队列进行验证。结果经过多阶段筛选(包括单因素分析、LASSO、RFE和Spearman相关性分析),最终纳入预测模型的危险因素有连续性肾脏替代治疗(CRRT)、急性肾损伤(AKI)、机械通气、血氧饱和度(SpO_(2))、全身炎症反应综合征(SIRS)评分、血钠浓度、肾脏疾病、收缩压、恶性肿瘤、体温、血小板计数、年龄、截瘫、血钾浓度及周围血管疾病共15个变量。LASSO-Logistic回归模型公式为:logit(P)=-6.533+1.807×CRRT+0.824×AKI+0.697×机械通气+0.024×SpO_(2)+0.243×SIRS评分+0.036×血钠-0.476×肾脏疾病+0.003×收缩压-0.298×恶性肿瘤-0.108×体温+0.001×血小板计数+0.002×年龄+0.766×截瘫+0.200×血钾+0.238×周围血管疾病;P=1/(1+e^((-logit(P))))。该LASSO-logistic回归预测模型在训练集中展现出良好的区分度,其AUC为0.701(95%CI 0.685~0.716);列线图实现了该模型的可视化,在内部验证集上AUC为0.693(95%CI0.671~0.716)。校准曲线显示模型具有良好的校准度。DCA分析显示,当阈值概率覆盖一个广泛的范围(0~50%)时,该模型均能提供显著的临床净收益。在EICU外部验证队列中,模型AUC为0.674(95%CI 0.664~0.684),具有良好的泛化能力与一定的跨中心适用性。结论CRRT、AKI、机械通气、SpO_(2)、SIRS评分、血钠浓度、肾脏疾病、收缩压、恶性肿瘤、体温、血小板计数、年龄、截瘫、血钾浓度及周围血管疾病为SAE发生的危险因素。以此构建的预测模型具有良好的区分度及校准度,可为临床医师提供可靠的诊治依据。