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614
  • 下载1
  • 17页
  • pdf