3种机器学习算法对维持性血液透析病人衰弱风险预测性能比较
汪丹丹
姚侃斐
祝雪花
浙江中医药大学护理学院,浙江 310053
摘要：目的:应用Logistic回归、决策树CART和随机森林3种机器学习算法分别构建维持性血液透析病人衰弱风险预测模型,比较3种模型的预测效果.方法:选取2021年10月—2022年3月在杭州市2家三级甲等医院接受维持性血液透析治疗的病人485例,按照7∶3的比例随机分为训练集(n=341)和测试集(n=144),运用Logistic回归、决策树CART和随机森林建立维持性血液透析病人衰弱风险预测模型,采用准确率、灵敏度、特异度、阳性预测值、阴性预测值、Kappa系数和受试者工作特征(ROC)曲线下面积(AUC)对 3种模型的预测性能进行比较.结果:训练集中,Logistic回归、决策树CART和随机森林的准确率分别为 91.79%、91.50%、97.95%,特异度为 96.84%、92.11%、96.91%,灵敏度为 85.43%、90.73%、99.32%,阳性预测值为 95.56%、90.13%、96.05%,阴性预测值为89.32%、92.59%、99.47%,Kappa值为0.832,0.828,0.958,AUC值为0.971,0.954,0.998.对3种模型的AUC值进行检验,结果发现随机森林模型与其余两种模型差异有统计学意义(P<0.05).年龄、性别、查尔森合并疾病指数和营养风险筛查评分为3种预测模型的共同预测因子.结论:随机森林模型对维持性血液透析病人衰弱风险的预测性能优于Logistic回归和决策树CART.
关键词：维持性血液透析衰弱预测模型Logistic回归决策树随机森林
资助基金：浙江省卫生健康科技计划项目(2022KY221)
论文发表日期：2024-01-10
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：9( 8-16 )
英文信息