基于机器学习的住院老年慢性心力衰竭患者认知衰弱风险预测模型构建与验证138 人次已浏览

陈昱熹，刘效刚，庄泽明，邓艳，眭一丹，肖鑫

目的 探讨住院老年慢性心力衰竭（chronic heart failure，CHF）患者认知衰弱的影响因素，通过不同机器学习算法构建 8 种预测模型，筛选出最佳模型，为临床干预提供依据。方法 采用便利抽样法，选择 2023 年 9 月— 2024 年 6 月本市 2 所三级甲等综合医院 650 例住院老年 CHF 患者进行横断面研究，共 607 例完成研究。将是否发生认知衰弱作为结局指标，分为认知衰弱组和非认知衰弱组。通过单因素分析和逐步 Logistic 回归分析筛选最终纳入模型的变量，按照 7：3 的比例将总样本随机划分为训练集（n=424）和测试集（n=183）。在训练集上，基于神经网络（neural networks，NN）、线性判别分析（lineardiscriminant analysis，LDA）、K 最邻近（k-nearest neighbor，KNN）、支持向量机（support vector machine，SVM）、朴素贝叶斯（naiveBayes，NB）、Logistic 回归、决策树（decision tree，DT）与随机森林（random forest，RF）算法分别构建住院老年 CHF 认知衰弱预测模型，并利用测试集数据对模型的预测性能进行比较。结果 住院老年 CHF 患者认知衰弱患病率为 48.3%。Logistic 回归结果显示：年龄、婚姻状况、文化程度、体质量指数、多病共存、营养状况、用药情况、每周锻炼频率、居住状况是住院老年 CHF 患者的影响因素（均 P<0.05）。8 种算法构建的预测模型总体分类精度（accuracy）范围 0.803~0.847，F 值（F1-score）范围 0.778~0.833，精确度（precision）范围 0.848~0.897，召回率（recall）范围 0.700~0.778；受试者工作特征（receiver operating characteristic curve，ROC）曲线下面积范围 0.820~0.901。结论 在构建的多个预测模型中，综合各模型评估指标，LDA 模型的表现最好，综合预测性能最佳，NN 模型综合预测性能最差。

摘要[ PDF 1.0 KB ] ( 1 ) 2025 ,7 (24): 1-11

基于SHAP可解释性机器学习的老年糖尿病患者衰弱风险预测模型构建与验证219 人次已浏览

邓舜芝，康圣琴，方苗苗，王雪菲，巫海娣，莫永珍

目的? 构建与验证基于可解释性机器学习的老年糖尿病患者衰弱预测模型，以早期识别高风险患者。方法? 采用便利抽样法，选择 2024 年 1 月至 5 月本市某三级甲等综合医院住院的 232 例老年糖尿病患者作为研究对象。227 例患者完成研究，按照 7 ∶ 3 的比例随机分为训练集（158 例）与测试集（69 例），分别用于模型构建与验证。采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）回归与 Boruta 算法筛选特征变量，并基于逻辑回归（logistic regression，LR）、支持向量机（support vector machine，SVM）和极端梯度提升树（extreme gradient boosting，XGBoost）构建机器学习模型。通过曲线下面积（area under curve，AUC）、灵敏度、特异度、F1 分数等指标评估模型性能，并通过 DeLong 检验比较模型间的 AUC差异。最优模型利用沙普利加和解释（Shapley additive explanation，SHAP）方法，对关键预测因子进行解释，并基于 Streamlit 开发网页计算器，实现模型可视化。结果? 227 例老年糖尿病患者中 99 例合并衰弱（43.6%）。XGBoost 模型综合表现最优，在训练集和测试集中，DeLong 检验显示 XGBoost 的 AUC 高于 LR 和 SVM（均 P&lt;0.001）。训练集 AUC 为 0.920，准确性为 0.842，灵敏度为 0.783，特异度为 0.887，阳性预测值（positive predictive value，PPV）为 0.845，阴性预测值（negative predictive value，NPV）为0.840，F1 分数为 0.810。测试集 AUC 为 0.806，准确性为 0.681，灵敏度为 0.633，特异度为 0.743，PPV 为 0.731，NPV 为 0.744，F1 分数为 0.620。SHAP 可解释分析显示，衰弱的预测因子重要性排序依次为：认知障碍、查尔斯共病指数、慢性疼痛、体育锻炼量、肌少症、营养状态、糖尿病肾病。结论? 基于 SHAP 可解释 XGBoost 的衰弱预测模型可有效识别老年糖尿病患者的衰弱高风险因素，能为其健康管理策略提供支持。

摘要[ PDF 1.0 KB ] ( 77 ) 2026 ,1 (25): 1-11

基于机器学习的非经尿道术后中重度导尿管相关膀胱不适风险预测模型的构建及验证286 人次已浏览

冯阿虫;张旭辉;秦瑶;李婉生;赵玉洁;李莉;

目的 基于不同机器学习算法构建非经尿道术后中重度导尿管相关膀胱不适（catheter-related bladder discomfort,CRBD）风险预测模型并比较其性能，为准确识别及预防术后中重度CRBD的发生提供参考。方法 采用便利抽样法，收集2024年1月—5月于山西省某三级甲等综合医院术中需要留置导尿的719例非经尿道手术患者作为研究对象。随机选取数据集中70%作为训练集（n=503例）用于模型的建立，其余30%的数据作为验证集（n=216例）用于模型的内部验证。使用最小绝对收缩和选择算法（least absolute shrinkage and selection operator,LASSO）确定预测因子。基于逻辑回归、K-最近邻、随机森林、人工神经网络、决策树、轻梯度提升机（light gradient boosting machine,LightGBM）和弹性网络共7种机器学习方法构建风险预测模型，采用受试者工作特征曲线下面积、准确率、精确率、召回率和F1指数评价模型性能。结果 共纳入719例非经尿道手术患者，中重度CRBD患者154(21.4%)例，未发生和轻度CRBD患者565(78.6%)例。预测因子分别为性别、腹部手术、手术类型、术前使用右美托咪定、术中使用氟比洛芬酯和手术结束前使用曲马多6个变量。基于LightGBM构建的模型受试者工作特征曲线下面积（0.793）、准确率（0.763）、精确率（0.879）、召回率（0.747）和F1指数（0.808）最佳，稳定性相对较好。结论 基于LightGBM构建的非经尿道术后中重度CRBD风险预测模型预测性能良好，可为临床医护人员识别中重度CRBD高危人群，制定相关干预措施提供参考。

摘要[ PDF 1.0 KB ] ( 140 ) 2025 ,5 (24): 10-17