Phát triển mô hình dự báo tử vong ở bệnh nhân viêm phổi cộng đồng nhập viện dựa trên học máy
Từ khóa
DOI:
https://doi.org/10.52389/ydls.v21i1.2931Tóm tắt
Mục tiêu: Phát triển mô hình dự báo tử vong 30 ngày ở bệnh nhân viêm phổi cộng đồng nhập viện bằng thuật toán rừng ngẫu nhiên (RF) và so sánh khả năng dự báo với thang điểm CURB-65. Đối tượng và phương pháp: Nghiên cứu mô tả, hồi cứu tại Khoa Cấp cứu - Bệnh viện TWQĐ 108 từ năm 2021 - 2022 ở các bệnh nhân người lớn nhập viện vì viêm phổi cộng động. Dữ liệu ban đầu gồm 21 biến lâm sàng và cận lâm sàng thu thập trong 24 giờ đầu nhập viện. Các bệnh nhân chia ngẫu nhiên thành tập huấn luyện (70%) và tập kiểm tra (30%). Hồi quy LASSO được áp dụng trên tập huấn luyện để chọn biến dự báo độc lập, sau đó dùng để xây dựng mô hình RF. Hiệu suất mô hình đánh giá trên tập kiểm tra qua các chỉ số: AUC, Se, Sp, PPV, NPV và độ chính xác. Kết quả: 350 bệnh nhân viêm phổi cộng đồng, tuổi trung bình 71,7±16,0 với tỷ lệ tử vong 30 ngày là 6,3%. Hồi quy LASSO đã chọn ra 5 biến dự báo độc lập (rối loạn ý thức, thâm nhiễm đa thùy, nồng độ urê, albumin và lactate máu). Mô hình RF được xây dựng từ 5 biến này có hiệu suất vượt trội hơn với thang điểm CURB-65 trên tập kiểm tra, với AUCRF= 0,969 và AUCCURB-65 = 0,703 (p=0,004). Mức độ quan trọng của các biến trong mô hình RF theo thứ tự giảm dần là nồng độ lactate, albumin, urê, rối loạn ý thức và thâm nhiễm đa thùy phổi. Kết luận: Mô hình rừng ngẫu nhiên sử dụng 5 biến lâm sàng và cận lâm sàng cho thấy hiệu suất dự báo tử vong 30 ngày ở bệnh nhân CAP nhập viện tốt hơn đáng kể so với thang điểm CURB-65.Lượt tải
Tài liệu tham khảo
Objective: To develop a 30-day mortality prediction model for hospitalized patients with community-acquired pneumonia (CAP) using the Random Forest (RF) algorithm and compare its predictive ability with the CURB-65 score. Subject and method: A descriptive, retrospective study conducted at the Emergency Department of 108 Military Central Hospital from 2021 to 2022, involving adult patients hospitalized due to CAP. Initial data included 21 clinical and paraclinical variables collected within the first 24 hours of admission. Patients were randomly divided into a training set (70%) and a testing set (30%). LASSO regression was applied to the training set to select independent predictors, which were then used to build the RF model. Model performance was evaluated on the testing set using metrics: AUC, Se, Sp, PPV, NPV, and Accuracy. Result: A total of 350 CAP patients were included, with a mean age of 71.7±16.0 years and a 30-day mortality rate of 6.3%. LASSO regression selected 5 independent predictors: altered mental status, multilobar infiltrates, and blood urea nitrogen, albumin and lactate levels. The RF model constructed from these 5 variables demonstrated superior performance compared to the CURB-65 score on the testing set, with AUCRF=0.969 and AUCCURB-65=0.703 (p=0.004). The feature importance in the RF model in descending order was: lactate level, albumin level, blood urea nitrogen, altered mental status, and multilobar infiltrates. Conclusion: The Random Forest model using 5 clinical and paraclinical variables showed significantly better performance in predicting 30-day mortality in hospitalized CAP patients compared to the CURB-65 score.
