文献类型：期刊文章

作　　者：陆玉婷[1,2] 盛正和[3] 黄菲[1] 裴世成[1] 蒙华琳[1] 伍善广[1]

LU Yuting;SHENG Zhenghe;HUANG Fei;PEI Shicheng;MENG Hualin;WU Shanguang(Department of Medicine,Guangxi University of Science and Technology,Liuzhou Key Laboratory of Guizhong Characteristic Medicinal Resources Development,Liuzhou,Guangxi 545005;School of Pharmacy,Hunan University of Chinese Medicine,Hunan Engineering Technology Research Center of Bioactive Substance Discovery of Chinese Medicine,Changsha 410208;Department of Traditional Chinese Medicine Internal Medicine,Liuzhou People′s Hospital,Liuzhou,Guangxi 545005)

机构地区：[1]广西科技大学医学部,柳州市桂中特色药用资源开发重点实验,广西柳州545005 [2]湖南中医药大学药学院,湖南省中药活性物质筛选工程技术研究中心,长沙410208 [3]柳州市人民医院中医内科,广西柳州545005

出　　处：《郑州大学学报（医学版）》

基　　金：国家自然科学基金项目(21766003);湖南省研究生科研创新项目(CX20220776)。

年　　份：2024

卷　　号：59

期　　号：2

起止页码：246-251

语　　种：中文

收录情况：BDHX、BDHX2023、CAS、JST、RCCSE、ZGKJHX、核心刊

摘　　要：目的:通过机器学习算法对早发性卵巢功能不全(POI)的影响因素进行特征排序,找出对POI影响较大的因素。方法:先制定纳入和剔除标准,选取因月经不调就诊的500例患者,根据中医证型进行年龄和职业差异性分析。再通过逻辑回归、支持向量机、决策树、随机森林、极端梯度提升和K-最近邻6种机器学习算法对患者进行POI预测分类,根据算法求得的马修斯相关系数和AUC进行预测精准度比较。通过随机森林中的准确度和基尼不纯度下降对POI影响因素进行特征排序,结合逐步剔除法得到对POI影响程度排序前五的特征因素。结果:随机森林的算法在马修斯相关系数、准确率和AUC中均获得了最大值,分别为0.399、0.717和0.908。POI的影响因素有子宫或盆腔手术史、受教育程度、年龄、减肥史和吸烟史,这些因素的Borda计数得分依次为手术史(2.446)、受教育程度(2.924)、年龄(4.060)、减肥史(5.303)、吸烟史(6.429)。结论:随机森林的性能在预测POI患者中优于其他5种算法,当患者的数据信息不足时,医生可先通过这5个特征因素的指标对月经不调患者进行初步干预。

关 键 词：早发性卵巢功能不全  机器学习  特征排序  

分 类 号：R173] R711.75[公共卫生与预防医学类]