基于5种机器学习构建脓毒症中医证素与临床指标
2025-10-29
研究背景与问题
脓毒症是一种严重的全身性炎症反应综合征，具有较高的死亡率。中医证素是中医学中用于描述疾病本质和病机变化的基本单位，其在脓毒症的诊断和治疗中具有重要作用。然而，脓毒症中医证素与临床指标之间的关联性研究尚不充分。本研究旨在通过中医证素与临床指标，开发5种不同的机器学习模型，以预测脓毒症患者的死亡风险。
研究方法
本研究选取了河北省沧州中西医结合医院ICU的315例脓毒症患者作为研究对象。根据患者的生存结局，将其分为存活组和死亡组。收集所有患者的中医证素和临床指标信息，包括年龄、性别、病情严重程度、实验室检查结果等。通过LASSO回归和多因素分析进行特征选择，构建了5种不同的机器学习模型，包括支持向量机（SVM）、随机森林（RF）、梯度提升树（GBDT）、K最近邻（KNN）和神经网络（NN）。
核心结果
通过LASSO回归和多因素分析，筛选出与脓毒症死亡风险相关的关键中医证素和临床指标。在构建的5种机器学习模型中，SVM模型的预测性能最佳，其AUC（曲线下面积）为0.85，敏感性为0.81，特异性为0.84。此外，通过交叉验证，验证了SVM模型在预测脓毒症死亡风险方面的稳定性和可靠性。
结论与意义
本研究通过结合中医证素和临床指标，构建了5种机器学习模型，并验证了SVM模型在预测脓毒症死亡风险方面的有效性。这一研究为脓毒症的临床诊断和治疗提供了新的思路和方法，有助于提高脓毒症患者的治疗效果和生存率。同时，本研究也为中医证素与临床指标的结合提供了新的实证依据，为中医证素在现代医学中的应用提供了参考。
