文献类型：期刊文章

作　　者：刘婷[1,2] 朱琴[1] 徐琳[1] 杜志银[1,2]

LIU Ting;ZHU Qin;XU Lin;DU Zhi-yin(Department of Health Information Management and Decision Making,School of Medical Informatics,Chongqing MedicalUniversity,Chongqing 400016,China;Medical Data Science Academy,Chongqing Medical University,Chongqing 400016,China)

机构地区：[1]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 [2]重庆医科大学医学数据研究院,重庆400016

出　　处：《海军军医大学学报》

基　　金：重庆医科大学校级哲学社会科学专项科研项目(201725);重庆医科大学智慧医学研究项目(YJSZHYX202002).

年　　份：2022

卷　　号：43

期　　号：3

起止页码：258-265

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EMBASE、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

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。

关 键 词：原发性高血压 脑梗死 机器学习  危险因素  预测模型  

分 类 号：R743.33] R544.1[临床医学类]