基于机器学习的非经尿道术后中重度导尿管相关膀胱不适风险预测模型的构建及验证 [中文引用][英文引用]

目的 基于不同机器学习算法构建非经尿道术后中重度导尿管相关膀胱不适（catheter-related bladder discomfort,CRBD）风险预测模型并比较其性能，为准确识别及预防术后中重度CRBD的发生提供参考。方法 采用便利抽样法，收集2024年1月—5月于山西省某三级甲等综合医院术中需要留置导尿的719例非经尿道手术患者作为研究对象。随机选取数据集中70%作为训练集（n=503例）用于模型的建立，其余30%的数据作为验证集（n=216例）用于模型的内部验证。使用最小绝对收缩和选择算法（least absolute shrinkage and selection operator,LASSO）确定预测因子。基于逻辑回归、K-最近邻、随机森林、人工神经网络、决策树、轻梯度提升机（light gradient boosting machine,LightGBM）和弹性网络共7种机器学习方法构建风险预测模型，采用受试者工作特征曲线下面积、准确率、精确率、召回率和F1指数评价模型性能。结果 共纳入719例非经尿道手术患者，中重度CRBD患者154(21.4%)例，未发生和轻度CRBD患者565(78.6%)例。预测因子分别为性别、腹部手术、手术类型、术前使用右美托咪定、术中使用氟比洛芬酯和手术结束前使用曲马多6个变量。基于LightGBM构建的模型受试者工作特征曲线下面积（0.793）、准确率（0.763）、精确率（0.879）、召回率（0.747）和F1指数（0.808）最佳，稳定性相对较好。结论 基于LightGBM构建的非经尿道术后中重度CRBD风险预测模型预测性能良好，可为临床医护人员识别中重度CRBD高危人群，制定相关干预措施提供参考。