摘要

目的

开发一种经过验证的机器学习（ML）算法，用于预测创伤性脑损伤（TBI）患者医院获得性肺炎（HAP）的风险。

材料与方法

我们采用最小绝对收缩与选择算子（LASSO）识别与肺炎相关的关键特征。随后，建立并评估了五种机器学习模型——逻辑回归（LR）、极限梯度提升（XGB）、随机森林（RF）、朴素贝叶斯分类器（NB）和支持向量机（SVC），并使用训练集和验证集进行测试。根据模型的性能指标选择最优模型，并基于该模型创建了一个动态网络列线图。

结果

在858例TBI患者的队列中，HAP的发生率为41.02%。通过性能指标（包括AUC、准确率和F1评分），确定LR模型为最优模型。主要预测因素包括年龄、格拉斯哥昏迷评分、鹿特丹评分、D-二聚体水平以及系统性炎症反应指数（SIRI）。基于这些预测因素开发的列线图在训练集和验证集中的AUC分别为0.818和0.819，显示出较高的预测准确性。决策曲线分析（DCA）和校准曲线验证了该模型的临床实用性和准确性。

结论

我们成功开发并验证了一种高性能的机器学习算法，用于评估TBI患者HAP的风险。该动态列线图为实时风险评估提供了实用工具，可能通过辅助早期干预和个性化管理改善临床结局。

关键词：创伤性脑损伤；机器学习；医院获得性肺炎；动态列线图；影像学指标