基于机器学习法的酒依赖病人代谢综合征共病的预测模型
林冬冬
张芬
温世萍
341000,江西省赣州市第三人民医院
摘要：目的:探讨酒依赖病人代谢综合征(metabolic syndrome,MS)共病的影响因素,基于机器学习算法构建酒依赖病人MS共病的预测模型.方法:前瞻性选取2023年 4月—2024年 8月在医院治疗的酒依赖病人276例为研究对象,根据病人是否共病MS分为MS组(n=75)和无MS组(n=201),通过单因素分析酒依赖病人MS共病的影响因素,通过SPSS软件,使用多因素Logistic回归、决策分类回归树(classification regression tree,CRT)、反向传播神经网络(back propagation neural network,BPNN)的机器学习算法构建酒依赖病人MS共病预测模型,并采用受试者工作特征(receiver operating characteristic,ROC)曲线比较3种方法构建的模型对MS的预测价值.结果:单因素分析结果显示,两组病人的年龄、体质指数(BMI)、酒依赖病程、周饮酒频次、饮酒问卷(alcohol dependence scale,ADS)、收缩压、舒张压、空腹血糖(fasting blood glucose,FBG)、三酰甘油(triglycerides,TG)、高密度脂蛋白胆固醇(high-density lipoprotein cholesterol,HDL-C)、低密度脂蛋白胆固醇(low-density lipoprotein cholesterol,LDL-C)差异均有统计学意义(P<0.05).多因素Logistic回归分析结果显示,年龄、BMI、酒依赖病程、周饮酒频次、收缩压、舒张压、TG水平均是并发MS的独立影响因素(P<0.05).采用决策树CRT法构建的预测模型显示,BMI、收缩压、酒依赖病程、LDL-C、舒张压均是MS的分类因素.BPNN模型结果显示,变量标准化后的重要性依次为TG、舒张压、酒依赖病程、BMI、LDL-C、ADS评分.3种机器学习算法构建的模型曲线下面积(area under curve,AUC)均>0.800,其中BPNN模型预测效能最佳,AUC为 0.972,准确率为 96.01%,敏感度为92.00%,特异度为97.51%.结论:通过机器学习算法建立的酒依赖病人MS共病预测模型表现出良好的预测能力.在这些模型中BPNN的诊断效能最优,有潜力作为一种有效的预测工具,在实际临床中得到广泛应用,后续可进一步的验证和推广,检验其在不同环境下的预测效果和稳定性.
关键词：酒依赖代谢综合征机器学习预测模型
资助基金：赣州市科技计划专项资金及项目(GZ2024YLJ245)江西省卫生健康委科技计划项目(202312064)
论文发表日期：2025-12-15
在线出版日期：2025-12-22（本平台首次上网日期，不代表文献的发表时间）
页数：7( 4500-4506 )
英文信息