基于机器学习算法的冠心病风险预测及其特征分析模型
洪韵1
马勇1
陈榕1
于海兵1
丁元林1
曹汝岱1
彭根祺1
叶向阳2
1.广东医科大学公共卫生学院,广东东莞 5230002.广东省东莞市人大常委会,广东东莞 523000
摘要：目的 基于机器学习算法构建冠心病风险评估模型,并比较极限梯度上升(eXtreme Gradient Boosting,XGBoost)模型和逻辑回归(Logistic Regression,LR)在预测冠心病患病风险中的效能,为冠心病的诊断提供计算机辅助方法.方法 通过对kaggle社区上发布的冠心病数据集进行预处理后,将特征变量纳入logistic和XGBoost模型中,对其查准率、召回率、ROC曲线下面积(AUC)进行对比,以验证模型性能.结果 XGBoost模型相对于传统的logistic回归模型预测性能更优,其中,年龄、性别、血糖水平、身体质量指数和收缩压为冠心病的主要危险因素.结论 冠心病风险预测模型能为冠心病早期预防控制及诊断提供参考依据.
关键词：冠心病模型预测机器学习逻辑回归XGBoost
分类号：R575.5(消化系及腹部疾病)
论文发表日期：2023-02-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：5( 53-57 )
英文信息