换一批基于机器学习算法构建晚期直肠癌病人疼痛危象预测模型
Construction of a prediction model for pain crisis in patients with advanced rectal cancer based on machine learning algorithms
摘要目的:基于机器学习算法构建晚期直肠癌病人疼痛危象的预测模型并分析不同模型的预测性能.方法:采用便利抽样法,选取2022年9月—2024年9月我院收治的晚期直肠癌病人210例为研究对象,采用一般资料调查表、社会支持量表、心理弹性量表、医院焦虑抑郁量表进行问卷调查.根据病人是否发生疼痛危象分为发生组和未发生组,采用单因素及多因素分析疼痛危象的影响因素.基于单因素及多因素分析结果构建Logistic回归模型、随机森林模型及决策树模型,采用受试者工作特征(ROC)曲线下面积(AUC)分析模型效能及预测价值.结果:210例晚期直肠癌病人中,发生疼痛危象病人64例(30.48%).多因素分析结果显示,社会支持、心理弹性、负性情绪、年龄、家庭人均月收入、放化疗次数为晚期直肠癌病人发生疼痛危象的独立影响因素(均P<0.05).ROC曲线分析结果显示,Logistic回归模型、决策树模型和随机森林模型的AUC分别为0.902,0.901,0.933,准确度分别为0.881,0.852,0.889,灵敏度分别为0.750,0.734,0.824,特异度分别为0.938,0.904,0.913,召回率分别为0.750,0.734,0.824,精确率分别为0.842,0.770,0.933,F1值分别为0.793,0.752,0.875.随机森林模型除特异度外,AUC、准确度、灵敏度、召回率、精确率及F1值均为最高,综合表现最优.结论:随机森林模型对晚期直肠癌病人疼痛危象的预测性能优于Logistic回归模型及决策树模型,临床可据此识别疼痛危象高风险病人,早期予以相关预防措施,降低疼痛危象发生率.
更多相关知识
关键词
晚期直肠癌疼痛危象机器学习算法预测模型社会支持心理弹性advanced rectal cancerpain crisismachine learning algorithmsprediction modelsocial supportpsychological resilience
栏目名称
DOI
10.12102/j.issn.1009-6493.2025.17.008
发布时间
2025-09-12（万方平台首次上网日期，不代表论文的发表时间）
基金项目
钦州市科学研究与技术开发计划项目（20230319）
- 浏览26
- 被引2
- 下载21
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
