换一批基于logistic回归和XGBoost模型预测急性脑梗死并发血管性认知障碍的效能对比
Comparison of Logistic Regression and XGBoost Model Based Efficacy in Predicting Vascular Cognitive Impairment Complicating Acute Cerebral Infarction
摘要目的 应用logistic回归和XGBoost算法构建急性脑梗死并发血管性认知障碍的预测模型,并评估两者预测效能,为临床应用提供参考.方法 回顾性分析2022年9月至2024年3月河南科技大学附属许昌市中心医院收治的114例急性脑梗死(ACI)患者的临床资料,根据是否存在血管性认知障碍(VCI)分为VCI组和正常组.同时将资料以7∶3的比例随机分为训练集和验证集,分别应用logistic回归和XGBoost算法构建预测模型,并通过受试者工作特征(ROC)曲线评估预测效能.结果 在114例患者临床资料中,VCI发生率为56.03％.XGBoost模型的曲线下面积(AUC)和准确率(分别为0.898、82.35％)均高于logistic模型(分别为0.828、73.53％).XGBoost模型因素特征的重要性排序依次为脑白质疏松、高脂血症、血清同型半胱氨酸、糖尿病、病灶部位、高尿酸血症、D-二聚体、高血压、饮酒史.结论 XGBoost模型具有更高的预测效能,有助于医务人员在临床应用中对于患者风险的早期识别及预防.
更多相关知识
关键词
急性脑梗死血管性认知障碍logistic回归XGBoost预测模型acute cerebral infarctionvascular cognitive impairmentlogistic regressionXGBoostpredictive modeling
栏目名称
DOI
10.3969/j.issn.1004-437X.2025.11.025
发布时间
2025-07-11（万方平台首次上网日期，不代表论文的发表时间）
- 浏览6
- 被引0
- 下载7
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
