基于机器学习算法构建中重度围绝经期综合征预测模型
张敏
顾婷婷
关蔚
刘想想
施君瑶
上海市浦东新区妇幼保健院(中心)妇女群体保健科(上海 201206)
摘要：目的 通过机器学习算法筛选围绝经期妇女发生围绝经期综合征(perimenopausal syndrome,PMS)的影响因素,构建围绝经期妇女中重度PMS发生风险的预测模型.方法 选取上海市浦东新区48个社区的围绝经期妇女作为研究对象,并根据Kupperman评分量表评价结果分为PMS正常或轻度组和中重度组.将数据随机分为训练集和测试集,使用Boruta算法和SHAP算法进行特征选择.使用逻辑回归(Logistic regression,LR)、随机森林(random forest,RF)、支持向量机(support vector machine,SVM)和梯度提升决策树(gradient boosting decision tree,GBDT)构建模型,并采用精确度、准确度、召回率、受试者工作特征曲线的曲线下面积(area under curve,AUC)、F1分数评估模型性能.结果 共纳入围绝经期妇女856例,其中PMS正常或轻度组557例、中重度组299例;训练集599例、验证集257例.使用Boruta算法以及SHAP算法纳入在职情况、运动、年龄、月经情况、就诊史、超重、居住地、健康教育史、户籍9个特征作为最终模型的预测变量.参数调优后,LR、RF、SVM、GBDT算法基于训练集的10折交叉验证的AUC 分别为 0.64、0.77、0.74、0.77.LR、RF、SVM、GBDT 算法在测试集中的 AUC 分别为 0.63、0.69、0.69、0.73;召回率分别为0.59、0.55、0.55、0.62.结论 构建的围绝经期妇女中重度PMS发生风险预测模型中,GBDT算法的预测表现最优,具有一定的预测价值,可为围绝经期妇女发生中重度PMS的早期识别和干预提供新思路和方法.
关键词：围绝经期综合征围绝经期妇女机器学习预测
资助基金：上海市浦东新区卫生健康委员会面上项目(PW2020A-79)上海市浦东新区第二轮医学学科建设项目(PWYgts2021-02)
论文发表日期：2024-08-28
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：9( 871-879 )
英文信息