基于3种机器学习法构建儿童手足口病重症化的预警模型
刘杨
吴茂茵
欧阳萍
杨红
337000,萍乡市妇幼保健院
摘要：目的:基于3种机器学习法构建儿童手足口病(HFMD)重症化的预警模型,并对其预测效能进行验证.方法:选取2023年9月—2025年2月医院收治的473例HFMD患儿为研究对象,按7∶3比例随机分为训练集(n=331)和验证集(n=142).根据患儿是否发生HFMD重症化分为轻症组和重症组,通过单因素分析儿童HFMD重症化的影响因素,使用Logistic回归分析、决策分类回归树算法(CRT)、反向传播神经网络(BPNN)算法构建儿童HFMD重症化的预测模型,采用受试者工作特征(ROC)曲线比较3种方法构建的模型的预测价值,并通过验证集数据进行验证.结果:训练集中儿童HFMD重症化发生率为14.80%(49/331),验证集中儿童HFMD重症化发生率为15.49%(22/142),473例儿童HFMD重症化发生率为15.01%(71/473).单因素分析结果显示,训练集中两组年龄、发热最高温度、发热持续时间、精神状态、惊跳、抽搐、呕吐、肠道病毒71(EV71)核酸结果、白细胞、空腹血糖水平比较差异均有统计学意义(均P<0.05).Logistic回归分析结果显示年龄、发热最高温度、发热持续时间、精神状态、惊跳、白细胞、空腹血糖是儿童HFMD重症化的独立影响因素(均P<0.05).CRT决策树模型显示空腹血糖、呕吐、抽搐、精神状态、发热最高温度、白细胞、EV71核酸结果是儿童HFMD重症化的分类因素.BPNN神经网络模型结果显示,变量标准化后的重要性依次为空腹血糖、发热最高温度、白细胞、年龄、发热持续时间.训练集Logistic回归模型、CRT决策树模型与BPNN神经网络模型的曲线下面积(AUC)分别为0.935,0.918和0.939;验证集Logistic回归模型、CRT决策树模型与BPNN神经网络模型的AUC分别为0.933,0.844和0.966,结果显示BPNN神经网络模型预测效能最佳.结论:基于3种机器学习法构建儿童HFMD重症化的预警模型具有较好的预测效能,其中以BPNN神经网络模型预测效能最佳.
关键词：手足口病重症儿童危险因素机器学习法
论文发表日期：2026-03-25
在线出版日期：2026-04-01（本平台首次上网日期，不代表文献的发表时间）
页数：6( 1159-1164 )
英文信息