典型文献
基于机器学习的原发性高血压并发脑梗死的风险预测模型
文献摘要：
目的 利用机器学习算法构建原发性高血压并发脑梗死的风险预测模型,并探索原发性高血压患者并发脑梗死的危险因素.方法 收集重庆市7家医院2015年1月1日至2019年12月31日确诊的1478例原发性高血压并发脑梗死患者及2826例无脑梗死的原发性高血压患者的42项临床指标资料.采用单因素分析筛选输入指标,将4304名患者按照7:3随机分为训练集(n=3012)和测试集(n=1292),训练集的数据用于构建logistic回归、决策树、随机森林、XGBoost模型,测试集中的数据用于内部验证.计算各输入指标在4个模型中的相对重要性评分,使用阳性预测值、阴性预测值、准确度、F1值、ROC曲线的AUC值及Delong检验等评价4个模型对原发性高血压并发脑梗死的预测价值.结果 单因素分析筛选出29项差异有统计学意义的指标,基于此构建的logistic回归、决策树、随机森林和XGBoost模型预测原发性高血压并发脑梗死的AUC值均较高.Delong检验结果显示,随机森林和XGBoost模型的预测性能均优于logistic回归和决策树模型,其中XGBoost模型的阴性预测值、准确度、F1值、AUC值均最高,分别为0.780(95％CI 0.778～0.782)、0.766(95％CI 0.764～0.768)、0.603(95％CI 0.599～0.607)、0.808(95％CI 0.804～0.811).相对重要性评分结果显示,logistic回归、决策树、随机森林、XGBoost模型均提示血细胞比容、白蛋白、就诊年龄、白细胞计数、胆碱酯酶和载脂蛋白A1是原发性高血压并发脑梗死的重要影响因素.结论 基于机器学习的预测原发性高血压并发脑梗死风险的logistic回归、决策树、随机森林和XGBoost模型均有较高的诊断价值,其中XGBoost模型的综合诊断效能最佳.血细胞比容、白蛋白、就诊年龄、白细胞计数、胆碱酯酶和载脂蛋白A1可用于预测原发性高血压患者的脑梗死患病风险.
文献关键词：
原发性高血压;脑梗死;机器学习;危险因素;预测模型
中图分类号：
作者姓名：
刘婷;朱琴;徐琳;杜志银
作者机构：
重庆医科大学医学信息学院卫生信息管理与决策教研室,重庆 400016;重庆医科大学医学数据研究院,重庆 400016
文献出处：
引用格式：
[1]刘婷;朱琴;徐琳;杜志银-.基于机器学习的原发性高血压并发脑梗死的风险预测模型)[J].海军军医大学学报,2022(03):258-265
A类：
B类：
基于机器学习,原发性高血压,风险预测模型,机器学习算法,高血压患者,脑梗死患者,无脑,临床指标,训练集,测试集,logistic,XGBoost,内部验证,各输,相对重要性,重要性评分,阳性预测值,阴性预测值,Delong,预测价值,预测性能,决策树模型,血细胞比容,白细胞计数,胆碱酯酶,载脂蛋白,A1,诊断价值,综合诊断,诊断效能,患病风险
AB值：
0.16251
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。
