文献类型：期刊文章

作　　者：龚军[1] 杜超[2] 钟小钢[3] 向天雨[4] 王惠来[4]

Gong Jun;Du Chao;Zhong Xiao-Gang;Xiang Tian-Yu;Wang Hui-Lai(Medical Data Science Academy,Chongqing Medical University,Chongqing 400016,China;Department of Blood Transfusion,Fuling District Central Hospital,Chongqing 408000,China;Department of Health Care,the Affiliated Rehabilitation Hospital of Chongqing Medical University,Chongqing 400050,China;Information Center,the University Town Hospital of Chongqing Medical University,Chongqing 401331,China)

机构地区：[1]重庆医科大学医学数据研究院,重庆400016 [2]重庆市涪陵区中心医院输血科,重庆408000 [3]重庆医科大学附属康复医院医护科,重庆400050 [4]重庆医科大学附属大学城医院信息中心,重庆401331

出　　处：《解放军医学杂志》

基　　金：重庆市科委重大主题专项(cstc2015shms-ztzx10011)。

年　　份：2020

卷　　号：45

期　　号：7

起止页码：735-741

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、DOAJ、EMBASE、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：目的筛选原发性高血压并发冠心病发病的危险因素并建立个体风险分类模型,为疾病诊断提供计算机辅助方法。方法收集重庆医科大学医疗大数据平台中2014年1月1日-2019年5月31日确诊的2791例原发性高血压并发冠心病患者及2135例单纯原发性高血压患者的70项临床信息资料,筛选出单因素分析有统计学意义的指标,采用R3.6.1分别构建logistic回归分类模型及BP神经网络、随机森林、极限梯度上升(XGBoost)3种机器学习模型,比较各种模型的相关参数,选择最优的分类模型。结果单因素分析筛选出有统计学意义的指标44项,将其纳入logistic回归分类模型及机器学习模型。Logistic回归分类模型、BP神经网络模型、随机森林模型、XGBoost模型的测试集中分类精度分别为0.852、0.968、0.966、0.976,受试者工作特征曲线下面积(AUC)分别为0.853、0.970、0.967、0.977。将性能最优的XGBoost模型应用于重庆医科大学附属大学城医院心内科临床实践,灵敏度为1.000,特异度为0.912,诊断精度为0.926,AUC为0.956。结论建立的XGBoost模型对原发性高血压并发冠心病有很好的辅助诊断功能,在临床实践中取得了良好的效果。

关 键 词：XGBoost  随机森林  BP神经网络 LOGISTIC回归分析 高血压 冠心病

分 类 号：R541.4] R544.1]