基于机器学习法构建良性前列腺增生术后尿路感染的风险预测模型
付贵平1
刘笑1
洪正东2
周冬平1
1.新余市中医院泌尿外科,江西新余 3380002.南昌大学第二附属医院泌尿外科,南昌 330000
摘要：目的 探讨良性前列腺增生(BPH)术后尿路感染的相关危险因素,并基于机器学习算法构建该风险预测模型.方法 回顾性分析2020年5月至2023年4月江西省新余市中医院200例接受BPH手术患者的相关资料,并以术后尿路感染情况分为感染组与未感染组.收集相关资料,通过单因素logistics分析组间具有统计意义的因素,运用SPSS软件、基于机器学习算法的多因素logistics回归、BP神经网络、决策分类回归树(CRT)对患者术后尿路感染发生风险分别构建预测模型,应用受试者工作特征曲线(ROC)曲线下面积(AUC)比较上述3种算法构建的模型对术后尿路感染发生风险的预测价值,以平均绝对值误差(MAE)分别评估3种模型预测精度,筛选出最佳预测效能的模型.结果 单因素分析结果提示,年龄、合并糖尿病、留置导尿管时间、前列腺体积、术前导尿、术前国际前列腺症状评分(IPSS)组间比较差异均具有统计学意义(P＜0.05).多因素logistics分析结果提示,患者年龄、IPSS、合并糖尿病、前列腺体积均为BPH术后发生尿路感染的影响因素(P＜0.05).采用决策树CRT法构建的模型显示,年龄、留置导尿管时间、前列腺体积、IPSS均为BPH术后发生尿路感染的影响因素.BP神经网络结果显示影响BPH术后发生尿路感染重要性的影响因素依次为前列腺体积、IPSS、年龄、导尿管留置时间.3种机器学习算法构建的模型中,BP神经网络算法模型预测效能最佳,AUC为0.992,最佳截断值0.912对应的敏感度、特异性分别为0.957、0.955.结论 基于机器学习法构建的以年龄、术前尿潴留导尿、留置导尿管时间、IPSS、合并糖尿病为预测特征的BP神经网络算法模型对患者BPH术后发生尿路感染有较好的预测价值,或可将此模型应用于此类高风险人群的管理识别.
关键词：良性前列腺增生尿路感染机器学习算法预测模型影响因素
分类号：R699.8(泌尿科学（泌尿生殖系疾病）)
资助基金：江西省卫生健康委科技计划项目(202311803)
论文发表日期：2025-10-20
在线出版日期：2025-11-12（本平台首次上网日期，不代表文献的发表时间）
页数：7( 874-880 )
英文信息