基于机器学习算法的肝硬化相关肝性脑病预测模型的构建_谈军涛

目的 构建基于机器学习算法的肝硬化相关肝性脑病预测模型。方法 采用横断面研究方法,收集2019年6月-2020年6月于重庆市7家医疗机构就诊的1498例肝硬化患者,依据是否发生肝性脑病分为肝性脑病组(n=285)与非肝性脑病组(n=1213)。随机抽取70%(1048例)患者的临床资料作为训练集构建预测模型,其余30%(450例)作为测试集进行内部验证。采用单因素logistic回归筛选输入指标,应用基于机器学习的logistic回归、随机森林、决策树和XGBoost算法构建诊断预测模型,比较4种方法构建的模型对肝硬化相关肝性脑病的预测诊断价值。结果 Logistic回归、随机森林、决策树和XGBoost模型均提示,凝血酶原活动度(OR=0.933,95% CI 0.921~0.946)、年龄(OR=1.045,95% CI 1.029~1.061)、全血钠(OR=0.964,95% CI 0.928~1.000)及尿素氮(OR=1.063,95% CI 1.022~1.105)是肝性脑病的重要影响因素。Logistic回归、随机森林、决策树和XGBoost模型的灵敏度分别为0.843、0.904、0.759、0.892,特异度分别为0.785、0.695、0.717、0.706,AUC分别为0.875、0.883、0.767、0.847。结论 基于机器学习算法建立的肝硬化相关肝性脑病风险预测模型具有较高的诊断价值,其中Logistic回归模型和随机森林模型的诊断效能优于决策树模型和XGBoost模型。

  • 2021-04-20
  • 阅读1191
  • 下载1
  • 17页
  • pdf

深入浅出Node.js

没有用过 Node 的人,是不会相信仅凭 Java 这门活跃于网页编程的脚本语言就可以驱 动后端复杂的应用程序,也不会相信 Node 在开发高并发、高性能后端服务程序上也有着极大的 优势。 我们在 2010 年接触 Node 的时候,国内外了解 Node 的人寥寥可数,2011 年我们已经决定在 淘宝的部分生产系统中开始使用 Node。由于招募熟悉 Node 的人才是个大问题,为了树立技术品 牌,我们在 2011 年年初创办 CNode 开源技术社区(CNodeJS.org),没有想到一发不可收拾。从 2011 年 4 月开始,我们走遍北京、上海、广州、深圳、杭州,甚至还到了香港,发起并且组织了 多次 NodeParty 线下技术分享。为了弥补初学者没有 Node 托管环境学习测试的问题,我们还自 己研发了 Node App Engine。Node 在国内深入人心,我相信与 CNode 社区有着不小的关系。 最初,Node 的爱好者大都是些喜欢探索新技术的极客。在社区,我们也认识了很多天南海 北的朋友,包括朴灵。在一次上海 Node 技术分享会后,我邀请他加入了淘宝。他在淘宝工作之 余继续为社区作贡献,自发为 Node 的推广做了很多事情,包括今天他呕心写了这本书,我相信 这是目前质量最高的一本 Node 图书。因为中国没有几个人像朴灵一样,有机会在很多高并发的 应用场景中反复实践。这绝对是一本实践性极强的技术书,不管是否学习过 Node,只要你爱好 技术,都推荐你阅读它。

  • 2021-04-15
  • 阅读1189
  • 下载0
  • 353页
  • pdf