研究目的:本研究基于机器学习算法构建并验证肺癌患者术中低体温风险预测模型,并通过比较AUC值等评价各模型的预测效能,得到最适合肺癌患者的建模算法,为后续建立肺癌患者术中低体温预测预测软件、预测系统或App奠定基础;为临床医护人员识别肺癌患者术中低体温高危人群提供参考。资料与方法:本研究共分为两个部分。第一部分:在了解成人患者发生低体温影响因素的基础上,自行设计信息调查表,采集了 2022年6月至11月在四川省某三级甲等肿瘤专科医院行肺癌手术且符合纳排标准的1100例有效病例的临床数据,包括一般人口学资料、疾病及手术相关资料,按照7:3随机分为训练集(770例)和验证集(330例)。通过对数据进行单因素分析、Lasso回归分析及Logistic回归分析明确肺癌患者术中低体温发生的独立危险因素。第二部分:将得出的7项独立危险因素,采用R4.2.0软件构建逻辑回归模型、随机森林模型、支持向量机模型及极端梯度上升模型,并通过比较AUC值等指标评价各模型的预测效能,得出最适合肺癌患者术中低体温风险预测模型的算法,同时借助rms、ggplot2等程序包对个别模型进行可视化,最后对验证集患者进行验证。结果:1.肺癌患者术中低体温发生情况及独立危险因素分析训练集有410例肺癌患者发生术中低体温,术中低体温发生率为53.2%。多因素分析结果显示术中出血量(OR=4.06,9GSK11202125%CI:2.24-3.71),术中输液量(OR=5.46,95%CI:2.83-10.54),手术时间(OR=3.28,95%CI:1.57-7.21),麻醉时间(OR=8.3,95%CI:4.50-15.51),手术室温度(OR=0.19,95%CI:0.13-0.28),麻醉后核心体温(OR=0.08,95%CI:0.04-0.14),手术切除部位(左肺上叶、左肺下叶、右肺上叶、右肺中叶)共7个特征变量是肺癌患者术中低体温的population genetic screening独立危险因素。2.肺癌患者术中低体温预测模型的几种算法及性能比较结果显示,四种模型训练集的AUC介于0.928～0.968之间,其中随机森林模型表现出了最高的AUCLorlatinib说明书值,表示该模型的识别性和精确性相比其他三种模型最好,从而达到最佳的预测效果,同时对模型进行验证,最终总结出随机森林算法是肺癌患者术中低体温最优算法这一结果。结论:机器学习算法提供了更好的预测技术。利用随机森林算法构建的肺癌患者术中低体温预测模型可以更好的筛选高危患者,帮助和改…