典型文献
基于机器学习的慢性阻塞性肺疾病急性加重预测模型的研究
文献摘要:
目的 针对慢性阻塞性肺疾病急性加重期(AECOPD)患者肺功能检测存在误差大、准确性差的问题,开发AECOPD患者的肺功能预测模型,通过比较不同机器学习模型的预测性能,找到最优的模型.方法 选取2018年1月至2020年2月南京医科大学附属苏州科技城医院不同患病程度的慢性阻塞性肺疾病(COPD)患者90例.利用6种机器学习算法(K-最近邻、逻辑回归、支持向量机、朴素贝叶斯、决策树和随机森林)建立预测分类模型,比较受试者工作特征曲线下面积(AUC-ROC)和准确性.采用10折交叉验证对数据集进行验证.结果 基于随机森林的模型相较于其他模型预测性能最佳,准确率达到0.844,AUC-ROC为0.916.结论 基于随机森林的预测模型能够辅助临床医生在难以给出确切诊断时提供决策支持.
文献关键词:
慢性阻塞性肺疾病;急性加重期;机器学习;预测模型
中图分类号:
作者姓名:
张博超;杨朝;郭立泉;陈静;熊大曦
作者机构:
中国科学技术大学生物医学工程学院(苏州)生命科学与医学部,安徽合肥市230026;中国科学院苏州生物医学工程技术研究所,江苏苏州市215163;南京医科大学附属苏州科技城医院呼吸内科,江苏苏州市215163
文献出处:
引用格式:
[1]张博超;杨朝;郭立泉;陈静;熊大曦-.基于机器学习的慢性阻塞性肺疾病急性加重预测模型的研究)[J].中国康复理论与实践,2022(06):678-683
A类:
B类:
基于机器学习,慢性阻塞性肺疾病急性加重期,AECOPD,肺功能检测,肺功能预测,机器学习模型,预测性能,南京医科大学,机器学习算法,最近邻,逻辑回归,朴素贝叶斯,决策树,预测分类,分类模型,受试者工作特征曲线,特征曲线下面积,交叉验证,临床医生,切诊,决策支持
AB值:
0.206028
相似文献
机标中图分类号,由域田数据科技根据网络公开资料自动分析生成,仅供学习研究参考。