目的旨在比较logistic回归分析、决策树和随机森林算法构建的3种老年心力衰竭患者衰弱风险预测模型的性能。方法采用便利抽样法,选取2022年9月至2023年10月南通大学附属医院心血管内科收治的老年心力衰竭患者426例。根据衰弱评估结果分...目的旨在比较logistic回归分析、决策树和随机森林算法构建的3种老年心力衰竭患者衰弱风险预测模型的性能。方法采用便利抽样法,选取2022年9月至2023年10月南通大学附属医院心血管内科收治的老年心力衰竭患者426例。根据衰弱评估结果分为衰弱组194例,非衰弱组232例,又按7?3比例分为训练集299例和测试集127例。并在训练集中构建logistic回归分析模型、决策树模型及随机森林模型,在测试集中验证。采用ROC曲线分析计算曲线下面积(area under curve,AUC)及混淆矩阵对训练集和测试集模型进行评价,通过比较模型在测试集中的性能选出最佳模型。结果Logistic回归模型、决策树模型和随机森林模型在测试集的AUC分别为0.898、0.825、0.903,分类正确率分别为84.25%、77.95%、83.46%,敏感性分别为82.76%、68.97%、82.76%,特异性分别为85.51%、85.51%、84.06%,阳性预测值分别为82.76%、80.00%、81.36%,阴性预测值分别为85.51%、76.62%、85.29%。影响因素分别为年龄、左心房内径、抑郁、白蛋白、身体活动水平和社会支持度。结论Logistic回归模型预测老年心力衰竭患者衰弱风险性能较决策树模型和随机森林模型更好。展开更多
文摘目的旨在比较logistic回归分析、决策树和随机森林算法构建的3种老年心力衰竭患者衰弱风险预测模型的性能。方法采用便利抽样法,选取2022年9月至2023年10月南通大学附属医院心血管内科收治的老年心力衰竭患者426例。根据衰弱评估结果分为衰弱组194例,非衰弱组232例,又按7?3比例分为训练集299例和测试集127例。并在训练集中构建logistic回归分析模型、决策树模型及随机森林模型,在测试集中验证。采用ROC曲线分析计算曲线下面积(area under curve,AUC)及混淆矩阵对训练集和测试集模型进行评价,通过比较模型在测试集中的性能选出最佳模型。结果Logistic回归模型、决策树模型和随机森林模型在测试集的AUC分别为0.898、0.825、0.903,分类正确率分别为84.25%、77.95%、83.46%,敏感性分别为82.76%、68.97%、82.76%,特异性分别为85.51%、85.51%、84.06%,阳性预测值分别为82.76%、80.00%、81.36%,阴性预测值分别为85.51%、76.62%、85.29%。影响因素分别为年龄、左心房内径、抑郁、白蛋白、身体活动水平和社会支持度。结论Logistic回归模型预测老年心力衰竭患者衰弱风险性能较决策树模型和随机森林模型更好。
