基于机器学习的脑卒中风险预测模型比较研究
于淼1
刘康2
徐鑫鹏3
罗艳侠1
1.首都医科大学公共卫生学院,北京 1000692.首都医科大学附属北京同仁医院,北京 1001763.首都医科大学附属北京安定医院,北京 100120
摘要：目的:探讨多种机器学习预测模型对脑卒中发病风险的评估效果.方法:选取2013年1月1日—2017年12月31日参与"北京健康管理队列"的体检人群作为研究对象,基线人群共计56017例.比较研究对象脑卒中发病与未发病人群之间基本人口学信息、代谢异常相关指标的差异,选用经典决策树模型、多层感知器模型、卷积神经网络模型开展模型构建,并与多因素logistic回归分析模型进行比较.结果:各模型分析结果均显示年龄、收缩压、腰围、身体质量指数为脑卒中发病的影响因素;多因素logistic回归分析模型、经典决策树模型、多层感知器模型、卷积神经网络模型的准确率分别为0.978、0.985、0.988、0.996.结论:代谢异常指标中的腹型肥胖、血压升高、低密度脂蛋白胆固醇降低、血糖升高均是脑卒中发病的潜在危险因素;经典决策树模型、多层感知器模型、卷积神经网络模型3种机器学习模型较多因素logistic回归分析模型预测性能更优,其中卷积神经网络模型的准确率最为良好,多层感知器模型的特异度最为良好.
关键词：脑卒中代谢指标机器学习预测模型影响因素
分类号：R741(神经病学)
资助基金：国家自然科学基金(81773512)
论文发表日期：2023-03-10
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：4( 25-28 )
英文信息