首站-论文投稿智能助手
典型文献
加权随机森林和代价敏感支持向量机与心衰患者死亡风险评估
文献摘要:
目的 探讨加权随机森林和代价敏感支持向量机模型在慢性心衰死亡风险评估中的应用.方法 利用AUC-RF自变量筛选方法选出与心衰死亡的相关因素,将选出的变量作为输入变量,预后有无死亡作为结局变量构建传统随机森林、支持向量机、logistic回归、加权随机森林和代价敏感支持向量机分类预测模型.结果 AUC-RF筛选出的变量中有中枢系统疾病史、肾功能不全史、心包积液、BMI、中性粒细胞比值、肾小球滤过率、N端前脑钠肽等指标重要度较高,提示这些指标或有临床意义.评价指标有灵敏度、特异度、准确度、G-means、F-measure和AUC值,logistic模型评价指标的中位数分别为:78.46%、63.19%、81.4%、0.6933、0.467和0.7003;加权随机森林评价指标分别为:78.08%、82.74%、85.96%、0.8086、0.4853和0.8109;代价敏感支持向量机评价指标分别为:75.38%、72.49%、88.8%、0.7402、0.4749和0.7940.结论 加权随机森林模型对心衰患者预后死亡预测性能较高,该模型有助于临床医生识别心衰死亡危险因素,具有较高应用价值.
文献关键词:
慢性心衰;疾病预后;加权随机森林;代价敏感支持向量机
作者姓名:
杨弘;田晶;孟冰霞;张瑜;罗艳虹;王可;郑楚;韩清华;张岩波
作者机构:
山西医科大学公共卫生学院流行病与卫生统计学教研室 030001;山西医科大学附属第一医院心内科;重大疾病风险评估山西省重点实验室 201805D111006
文献出处:
引用格式:
[1]杨弘;田晶;孟冰霞;张瑜;罗艳虹;王可;郑楚;韩清华;张岩波-.加权随机森林和代价敏感支持向量机与心衰患者死亡风险评估)[J].中国卫生统计,2022(03):381-384,388
A类:
代价敏感支持向量机
B类:
加权随机森林,心衰患者,死亡风险评估,支持向量机模型,慢性心衰,RF,变量筛选,筛选方法,logistic,支持向量机分类,分类预测模型,中枢系统,疾病史,肾功能不全,心包积液,肾小球滤过率,前脑,脑钠肽,重要度,或有,标有,means,measure,模型评价指标,中位数,随机森林模型,预后死亡,死亡预测,预测性能,临床医生,死亡危险因素,疾病预后
AB值:
0.250902
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。