目的 构建基于机器学习的儿童使用消费品时发生啃咬行为的预测模型.方法 对北京市6所医疗机构就诊的1803例儿童进行问卷调查,依据使用消费品时是否发生啃咬行为分为有啃咬行为组(n=617)与无啃咬行为组(n=1186).随机抽取1442例儿童的临床资料作为训练集构建预测模型,其余作为测试集进行内部验证.采用单因素分析筛选的指标应用基于机器学习的XGBoost、随机森林、Logistic回归、决策树、贝叶斯网络和SVM算法构建预测模型.完成机器学习算法对特征重要性的排序,比较6种方法构建的模型对儿童使用消费品时是否发生啃咬行为的预测价值.结果 XGBoost、随机森林、逻辑回归、决策树、贝叶斯网络和SVM模型的曲线下面积(AUC)分别为0.939、0.935、0.921、0.911、0.893、0.772,灵敏度分别为0.771、0.833、0.879、0.838、0.870、0.233,特异度分别为0.928、0.898、0.847、0.874、0.751、0.969.上述6种机器学习算法优劣排序为:XGBoost>随机森林>Logistic回归>决策树>贝叶斯网络>SVM.儿童年龄(OR=0.721,95％CI=0.683～0.761)、儿童受教育水平(小学:OR=0.244,95％CI=0.170～0.352)、主要照顾者对化学物质知识了解程度(了解一点:OR=0.679,95％CI=0.466～0.990)、主要照顾者陪伴程度(经常陪伴:OR=0.471,95％CI=0.347～0.639)、母亲职业(商业服务人员:OR=0.479,95％CI=0.234～0.980)是儿童啃咬行为主要的影响因素(P<0.05).结论 基于机器学习算法建立的儿童使用消费品发生啃咬行为的预测模型具有较高的应用价值,其中XGBoost的预测效能优于随机森林、Logistic回归、决策树、贝叶斯网络和SVM.

啃咬行为;机器学习;预测模型;儿童;消费品

王晓燕;李晓萌;陈虎;张扬鸽;高捷;张庆丽;彭燕梅;穆立娟;孟召学;王琳;陈芳芳;涂燕晖

首都儿科研究所附属儿童医院保健科,北京 100020;南京未来网络产业创新有限公司,江苏 南京 210000;清华大学附属北京市垂杨柳医院儿科,北京 100022;北京市石景山区妇幼保健院儿童保健科,北京 100040;北京市怀柔区妇幼保健院儿童保健科,北京 101400;北京市房山区妇幼保健院儿童保健科,北京 102400;北京市通州区妇幼保健院儿童保健科,北京 101100

中国妇幼健康研究

[1]王晓燕;李晓萌;陈虎;张扬鸽;高捷;张庆丽;彭燕梅;穆立娟;孟召学;王琳;陈芳芳;涂燕晖-.基于机器学习的儿童啃咬行为的预测)[J].中国妇幼健康研究,2022(03):15-22

啃咬行为

基于机器学习,消费品,随机抽取,训练集,测试集,内部验证,指标应用,XGBoost,决策树,贝叶斯网络,机器学习算法,特征重要性,预测价值,逻辑回归,童年,受教育水平,主要照顾者,化学物质,陪伴,母亲职业,商业服务,服务人员,预测效能

0.175542