6种机器学习模型对腹膜透析相关性腹膜炎风险预测的效能
杨芳
赵健秋
郄淑文
杨丽
550002,贵州省人民医院肾内科
摘要：目的:基于不同机器学习(ML)算法构建腹膜透析相关性腹膜炎(PDAP)风险预测模型,为识别高风险病人提供参考依据.方法:回顾性选取2009年12月—2024年5月在贵州省人民医院行规律腹膜透析的病人作为研究对象,按7∶3的比例随机分为训练集和验证集,在训练集中经LASSO回归筛选自变量,基于Logistic回归(LR)、决策树、支持向量机、随机森林(RF)、极端梯度提升和人工神经网络6种ML算法构建PDAP风险预测模型.基于受试者工作特征曲线下面积(AUC)、准确度、精确率、召回率、F1分数评估模型性能,选出最优模型.结果:共纳入982例腹膜透析病人,221例病人发生PDAP,发生率为22.51%.基于十折交叉验证的LASSO回归筛选出5个自变量后构建6种ML模型,在训练集中LR模型(AUC=0.800)相较于其他模型表现更好,在验证集表现最佳者为RF模型(AUC=0.772),LR模型在训练集上的AUC值较高,可能存在过拟合的情况.进一步基于RF模型对特征变量进行重要性排序,依次为透析龄、白细胞计数、接触性污染、导管出口处感染和/或隧道感染、便秘或腹泻.结论:基于RF算法构建的PDAP风险预测模型性能最优,有助于临床医护人员早期评估和预防病人PDAP的发生.
关键词：机器学习腹膜透析相关性腹膜炎风险预测模型
资助基金：贵州省护理学会立项科研课题一般项目(GZHLKY202405)
论文发表日期：2025-12-25
在线出版日期：2026-01-09（本平台首次上网日期，不代表文献的发表时间）
页数：6( 4626-4631 )
英文信息