目的使用不同机器学习算法开发高龄骨科患者术后低蛋白血症风险预测模型。方法使用中国中医科学院望京医院骨科患者数据库作为数据来源;根据低蛋白血症诊断标准,选取数据库中的低蛋白血症患者,提取其人口学特征、生命体征、实验室检查...目的使用不同机器学习算法开发高龄骨科患者术后低蛋白血症风险预测模型。方法使用中国中医科学院望京医院骨科患者数据库作为数据来源;根据低蛋白血症诊断标准,选取数据库中的低蛋白血症患者,提取其人口学特征、生命体征、实验室检查等数据;使用逻辑回归、支持向量机、XGBoost(Extreme Gradient Boosting,极端梯度增强算法)等算法开发模型,并对不同机器学习算法在预测模型中使用效果的进行评估。结果共纳入526例患者,低蛋白血症发生率40.87%。逻辑回归模型的AUROC(Area Under the Receiver Operating Characteristic Curve,受试者工作特征曲线下面积)为0.8077,F值为0.853,整体性能优于随机森林、XGBoost等模型。同时模型性能比较结果显示,逻辑回归模型拥有较高的准确度。结论基于逻辑回归算法的高龄骨科患者术后低蛋白血症风险预测模型对辅助临床医生进行风险预测有重要意义。展开更多
文摘目的使用不同机器学习算法开发高龄骨科患者术后低蛋白血症风险预测模型。方法使用中国中医科学院望京医院骨科患者数据库作为数据来源;根据低蛋白血症诊断标准,选取数据库中的低蛋白血症患者,提取其人口学特征、生命体征、实验室检查等数据;使用逻辑回归、支持向量机、XGBoost(Extreme Gradient Boosting,极端梯度增强算法)等算法开发模型,并对不同机器学习算法在预测模型中使用效果的进行评估。结果共纳入526例患者,低蛋白血症发生率40.87%。逻辑回归模型的AUROC(Area Under the Receiver Operating Characteristic Curve,受试者工作特征曲线下面积)为0.8077,F值为0.853,整体性能优于随机森林、XGBoost等模型。同时模型性能比较结果显示,逻辑回归模型拥有较高的准确度。结论基于逻辑回归算法的高龄骨科患者术后低蛋白血症风险预测模型对辅助临床医生进行风险预测有重要意义。
