目的 基于机器学习方法构建重症患儿院际转运风险预测模型，识别出影响转运预后的关键性医学特征，提高转运的成功率。方法 前瞻性的选取2020年1月至2021年1月期间湖南省儿童医院转运中心通过院际转运的收住重症监护病房的重症患儿为研究对象，对其重症医学特征数据和第三代儿童死亡风险（pediatric risk of mortality, PRISM Ⅲ）评分系统的相关数据进行收集和处理，基于逻辑回归、决策树模型、Relief算法3种机器学习模型构建风险预测模型，利用反向传播神经网络构建转诊结局预测模型对风险预测模型所选医学特征进行验证和分析，探寻影响院际转运风险的关键医学特征。结果在纳入的549例转诊患儿中，新生儿222例（40.44%），非新生儿327例（59.56%），院内死亡50例，病死率为9.11%。对所收集的151 项重症患儿医学特征数据进行数据处理，三种模型各自选取影响转诊结局的前15 项重要的特征，共有34 项入选。其中决策树模型所选特征与PRISM Ⅲ指标的重叠度为72.7%, 高于逻辑回归的36.4%和Relief算法的27.3%，且训练预测精确率为0.94，也高于纳入所有特征训练精确率0.90，表明决策树模型是一种具有良好临床实用性的预测模型。在决策树入选的前15项重要特征中，通过量化特征的小提琴图对转诊结局影响的大小排序为：碱剩余、总胆红素、钙离子、总耗时、动脉氧分压、血液（包括白细胞、血小板、凝血酶原时间/ 凝血活酶时间）、二氧化碳分压、血糖、收缩压、心率、器官衰竭、乳酸、毛细血管再充盈时间、体温、发绀，其中有8项重要特征与PRISM Ⅲ的指标重叠，分别是收缩压、心率、体温、瞳孔反射、神志状态、酸中毒、动脉氧分压、二氧化碳分压、血液、血糖。利用决策树分别对新生儿和非新生儿两个数据集选择有高度影响的前15个医学特征，共有19项特征入选，其中新生儿与非新生儿的重要特征之间有8个差异项和11个重叠项。结论 机器学习模型可作为预测重症患儿院际转运风险的可靠工具。决策树模型具有较佳的性能，有助于识别影响院际转运风险的关键医学特征，提高重症患儿院际转运的成功率。

袁远宏, 张慧, 欧叶玉, 康霞艳, 刘娟, 胥志跃, 朱丽凤, 肖政辉. 基于机器学习的重症患儿院际转运风险预测模型的构建[J]. 中华急诊医学杂志, 2024,33(5): 690-697.
DOI号:10.3760/cma.j.issn.1671-0282.2024.05.016

基金项目：湖南省科技厅临床医疗技术创新引导项目（2021SK50501）；湖南省科技创新重点工程项目（2020SK10141-3）；湖南省科技厅重点实验室项目（2018TP1028）
伦理审批号：湖南省儿童医院医学伦理委员会（HCHLL-2022-108）

关键词： 院际转运 重症患儿 机器学习 儿童死亡风险评分