不稳定型心绞痛患者不良结局的多标签预测模型构建
王紫芸1
张瑜1
韩港飞1
闫晶晶1
田晶2
1.030001 太原,山西医科大学2.030001 太原,山西医科大学第一医院心内科
摘要：目的 不稳定型心绞痛患者不良结局具有多维性的特点,传统统计方法多对不稳定型心绞痛的单维结局进行预测,无法解决多标签数据特征冗余、标签不平衡等问题.本文尝试采用多标签合成少数类过采样技术(MLSMOTE)算法进行处理,并构建多标签预测模型,以提高其预测性能.方法 收集来自2017年1月～2020年5月于山西医科大学第二医院收治的不稳定型心绞痛患者纳入本研究.采用回顾性和前瞻性相结合的临床队列收集患者信息.以不稳定型心绞痛患者发生心肌梗死、心力衰竭、血运重建、脑卒中、死亡为结局,使用改进Relief F的多标记特征选择(RF-ML)算法选择多标签特征子集,MLSMOTE算法进行多标签不平衡处理,在此基础上构建分类器链(CC)的多标签分类模型,选取随机森林、朴素贝叶斯、支持向量机、K近邻(K-nearest neighbors,KNN)算法等为基分类器进行比较,并评价模型性能.结果 采用多标签特征选择方法RF-ML进行变量筛选,最终筛选出18个变量纳入模型,分别为:尿酸、肌酐、血小板、氯、血红蛋白、收缩压、舒张压、心率、钠、血清总胆红素、血清间接胆红素、白蛋白、血清总胆汁酸、体质指数(BMI)、血糖、血清直接胆红素、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇.采用多标签不平衡算法MLSMOTE对此次研究涉及的5个标签:心肌梗死、心力衰竭、血运重建、脑卒中、死亡进行不平衡处理.采用不平衡处理后的数据,选择随机森林、朴素贝叶斯、支持向量机、KNN作为基分类器,建立CC模型,结果显示以朴素贝叶斯为基分类器的CC模型在Ranking loss、Macro_AUC、Micro_AUC、Macro_F1、Micro_F1、Macro_recall六个指标上的表现性能均优于其他模型.结论 本研究采用MLSMOTE算法进行不平衡处理,使原始标签的不平衡率得到一定改善.运用均衡化数据建立CC模型,充分考虑了标签的特定特征和标签相关性,以朴素贝叶斯为基分类器的CC模型表现最佳.
关键词：不稳定型心绞痛多标签特征选择多标签不平衡标签特定特征
分类号：R541.6(心脏、血管（循环系）疾病)
资助基金：国家自然科学基金(82103958)山西省科技创新人才团队专项计划(202204051001026)
论文发表日期：2024-06-28
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：6( 651-656 )
英文信息