基于Stacking集成学习的高原脱适应症预测模型构建及危险因素分析
左金鑫1
王瑞2
罗勇军2
1.400038 重庆,陆军军医大学基础医学院学员二大队2.陆军卫勤训练基地军事医学地理学教研室
摘要：目的 探究高原脱适应症发生的危险因素,并构建风险预测模型,为高原脱适应症精准预防提供参考.方法 2022-08月,整群抽样选取从西藏不同海拔的高原(≥3 000 m)返回到平原的1 544例人员为研究对象,通过问卷调查收集资料并将研究对象分为高原脱适应症组(n=192)和非高原脱适应症组(n=1 352).以决策树(decision tree,DT)、随机森林(random forest,RF)、极端梯度提升(extreme gradient boosting,XGBoost)3 种模型为基模型,Logistic 回归为元模型构建Stacking集成学习模型,比较4种单一预测模型和多模型融合的Stacking集成学习模型的受试者工作特征(receiver operating characteristic,ROC)曲线的曲线下面积(area under the curve,AUC),评价模型的预测效能.本研究随机将70％高原脱适应症问卷调查数据划分为训练集,剩余30％划分为测试集.依据模型测试集的AUC值,对各模型筛选出的变量特征重要性进行加权平均,得到一个综合的变量重要性排序,发现高原脱适应症发生的危险因素.结果 1 544例研究对象中有192例发生高原脱适应症.测试集Logistic回归、DT、RF、XGBoost、Stacking集成学习模型的AUC分别为0.757、0.601、0.788、0.793、0.853.DT、RF、XGBoost 3种模型综合筛选出高原脱适应症的危险因素包括历史去过高原天数、本次急性高原反应(acute mountain sickness,AMS)发生、慢性病家族史、平原居住地海拔、吸烟、返回平原的交通工具和体质量指数(body mass index,BMI).结论 以返回平原的交通工具、历史去过高原天数、本次AMS发生、平原居住地海拔、吸烟、慢性病家族史、BMI为预测因子,构建的Stacking集成学习模型在测试集的综合表现最好,便于应用.
关键词：Stacking集成学习高原脱适应症预测模型危险因素
分类号：R594.3(全身性疾病)
资助基金：国家自然科学基金(42377466)
论文发表日期：2025-09-28
在线出版日期：2025-10-24（本平台首次上网日期，不代表文献的发表时间）
页数：7( 798-804 )
英文信息