目的:了解术后谵妄(postoperative delirium,POD)在大面积烧伤患者中的发生情况,分析相关危险因素,建立大面积烧伤患者POD早期风险预测模型,并分析模型的预测价值。方法:本研究选取2013年3月～2022年3月期间南昌大学第一附属医院烧伤中心收治的大面积烧伤患者作为研究对象。通过收集入选患者的相关资料,大面积烧伤患者POD的独立危险因素由多因素Logistic回归分析确定。将纳入研究对象的信息作为完整数据集,按8:2将完整数据集随机分为训练集和验证集(共80%数据集)以及测试集(共20%数据集)。基于9个不同的机器学习(machine Learning,ML)算法开发预测模型包括:(1)支持向量机(Support Vector Machine,SVM);(2)逻辑回归(Logistic Regression,LR);(3)随机森林(Random Forest,RF);(4)轻量级梯度提升机(Light Gradient Boosting Machine,Light GBM);(5)自适应提升(Adaptive Boosting,Ada Boost);(6)朴素贝叶斯(Gaussian NB,GNB);(7)补充朴素贝叶斯(Complement NB,CNB);(8)多层神经网络(Multiple-layers Perceptron,MLP)和(9)极端梯度提升(e Xtreme Gradient Boosting,XGBoost)。在训练集和验证集中以10折交叉验证的方法进行各个模型的学习训练以及内部验证,基于接收者操作曲线下的面积(area under the receiver operating curve,AUROC)、校准曲线和决策曲线分析(decision curve analysis,DCA)选择出最佳预测模型。根据约登指数确定最佳预测模型的最佳截断值。通过测试集的数据对最佳预测模型性能进行进一步验证,SHapley Additive ex Planations(SHAP)被用来解释最佳模型。收集2017年9月～2022年9月赣州Liraglutide分子式市人民医院烧伤科住院的大面积烧伤患者相关数据,用于对最佳预测模型进行外部验证,以评估其泛化能力。结果:1.本研究共收集2013年3月～2022年3月入住南昌大学第一附属医院烧伤中心的518位大面积烧伤患者,有191位患者发生POD,发生率为36.87%。外部验证集中有大面积烧伤患者118例,其中31人发生POD,发生率为26.27%。2.本研究共纳入48个研究变量。对其进行单因素分析发现30个研究变量间的差异存在统计学意义(P<0.05)。进一步行多因素Logistic回归分析,结果显示以下变量:性别(OR=4.262,95%CI:2.140～8.485),糖尿病史(OR=4.943,95%CI:1.349～18.114),身体约束(OR=8.877,95%CI:5.057～15.584),入住烧伤重症监护室(burn intensive care unit,BICU)时长(OR=1.183,95%CI:1.004～1.393),APACHEⅡ评分(OR=1.111,95%CI:1.047～1.178),烧伤总体表面积(total body surface area,TBSA)(OR=1.042,95%CI:1.009～1.075)和血红蛋白(OR=0.958,95%CI:0.941～0.975)为大面积烧伤患者POD的独立危险因素。3.对9个预测模型的性能进行比较,校准曲线和DCA分析中,RF表现最好。在验证集中,RF的AUROC为0.840(95%CI:0.762～0.918),XGBoost的AUROC为0.810(95%CI:0.726～0.895),LR的AUROC为0.816(95%CI:0.734～0.899),Light GBM的AUROC为0.737(95%CI:0.636～0.837),Ada BoFlow Cytometersost的AUROC为0.767(95%CI:0.677～0.858),GNB的AUROC为0.814(95%CI:0.731～0.897),CNB的AUROC为0.683(95%CI:0.578～0.788),MLP的AUROC=0.630(95%CI:0.522～0.738)和SVM的AUROC为0.684(95%CI:0.581～0.788),RF的AUROC最高。因此,选择RF为最佳预测模型,其最佳截断值为0.4219。4.将RF可视化为网络计算器后进行外部验证。RF在外部验证中的区分度、校准度和临床效用表现良好,其准确性为77.12%,特异性为80.46%,敏感度为67.74%,具有较好的泛化能力,可外推至临床使用。结论:1.大面积烧伤患者POD发生率为36.87%,提示医务人员在临床工作中应该加强对POD高危患者的筛查和识别,及时采取针对性的干预措施,减少POD的发病率,改善大面积烧伤患者的预后。2.多因素Logistic回归分析结果显示TBSA、入住BICU时长、APACHEⅡ评分、性别、糖尿病史、血红蛋白、身体约束是大面积烧伤患者POD的独立危险因素。3.基于ML算法构建9个大面积烧伤患者POD预测模型,各预测模型的预测效能不同。对确认细节其进行验证发现,RF的预测效能最佳,可有效识别出POD的高危患者,并为该人群的制定个体化干预措施提供有效参考。4.可视化为网页计算器的预测模型使用简单快捷。外部验证结果显示RF有良好的可泛化性,可在临床上推广使用。