摘要： 摘要:目的 构建剖宫产手术中脊髓麻醉后低血压的预测模型并进行验证。方法 回顾性收集2014年4月1日至 2018年5月1日在华中科技大学同济医学院附属同济医院行剖宫产手术的所有施行脊髓麻醉的患者,其中满足纳入标 准的病例为3100例。数据预处理后,通过 Lasso回归交叉验证的方式选择构建模型的重要特征。利用上述特征和术中 具有时间序列特征的生命体征向量,分别构建 Logistic回归模型、支持向量机模型、随机森林模型、人工神经网络和 Xgboost模型共5个模型。为了评估各种机器学习模型的预测准确性,绘制受试者工作特征(ROC)曲线并比较 ROC曲线 的曲线下面积(AUC)。针对最佳模型,本研究团队探索各个特征在该模型中的重要性。为研究模型的普适性和稳定性, 研究人员对最佳模型进行十折交叉验证。结果 共2113例患者纳入研究,其中出现脊髓麻醉后低血压的患者1005例。 Lasso回归交叉验证选择了23个特征参与机器学习模型构建。Logistic回归模型、支持向量机模型、随机森林模型、人 工神经网络和 Xgboost模型的 AUC值,分别为0.751(95% CI:0.721~0.780)、0.797(95% CI:0.770~0.824)、0.764 (95% CI:0.735~0.792)、0.734(95% CI:0.704~0.764)和0.801(95% CI:0.775~0.827),其中 Xgboost模型表现最 佳。分析特征在模型中的重要性后发现,麻醉前生命体征的特点、年龄、身高等连续变量特征和昂丹司琼、硫酸镁、ASA 分级、脊髓麻醉药物、双胎妊娠、先兆子痫和糖尿病等分类变量特征与脊髓麻醉后低血压的发生关系密切。Xgboost模 型十折交叉验证中,该模型表现了良好的普适性和稳定性。结论 利用多种数据构建 Xgboost模型,其有着良好的预测 表现和临床价值。 

关键词: 剖宫产手术, 脊髓麻醉, 低血压, 机器学习

中图分类号: 

• R614.41