基于机器学习算法的肿瘤病人PICC导管相关性血流感染预测模型的构建及效能验证  

Construction and performance verification of a predictive model for PICC related blood flow infection in tumor patients based on machine learning algorithms

作　　者：李晓玲 严晓霞[2] 杨宁 李孝红 LI Xiaoling;YAN Xiaoxia;YANG Ning;LI Xiaohong(Shanghai Shibei Hospital,Shanghai 200443 China;Shanghai Pulmonary Hospital;Shanghai North Station Hospital)

机构地区：[1]上海市北医院,上海200443 [2]上海肺科医院 [3]上海市北站医院

出　　处：《循证护理》2025年第7期1336-1342,共7页Chinese Evidence-Based Nursing

基　　金：上海市护理学会科研课题重点项目,编号:2022SD-B04。

摘　　要：目的:探讨肿瘤病人经外周静脉置入中心静脉导管(PICC)相关性血流感染预测模型的构建及效能验证。方法:选取2021年4月—2023年3月收治的肿瘤病人2 608例作为研究对象,所有病人住院期间均行PICC导管置管,根据病人是否发生PICC导管相关性血流感染分为发生组和未发生组。基于机器学习算法,分别采用支持向量机(SVM)、XGBoost及Logistic回归分析方法构建肿瘤病人PICC导管相关性血流感染发生预测模型,并进行分析比较,得出具有预测效能的算法模型。结果:两组病人的血小板计数、PICC留置时间、导管留置时间、伤口敷料类型、是否有导管移位以及单次置管穿刺次数比较,差异有统计学意义(P<0.05);XGBoost预测模型中血小板计数对模型影响最大,其次为D-二聚体水平;在SVM模型中,血小板计数的沙普利加性解释(SHAP)值最大,表明其对模型的影响最为明显;而Logistic回归模型中最终纳入PICC留置时间、导管留置时间、伤口敷料、是否有导管移位、单次置管穿刺次数5个因子,且XGBoost预测模型区分能力最高。结论:病人是否发生PICC导管相关性血流感染在多个指标上有差异,且不同模型的影响因素不同。SVM及XGBoost构建的预测模型的敏感度与准确度上优于Logistic回归模型,可以对PICC导管相关性血流感染风险作出相对精准的评估和预测,在临床工作中能有效降低PICC导管相关性血流感染的发生率。

关 键 词：机器学习算法 肿瘤病人 经外周静脉置入中心静脉导管 导管相关性血流感染 预测模型 

分 类 号：R47[医药卫生—护理学]