换一批基于临床数据的六种脑梗死风险预测模型的比较研究
Comparative study of six risk prediction models for cerebral infarction based on clinical data
摘要目的 利用机器学习构建脑梗死风险预测模型,提升高危人群的早期识别效果,并比较模型的准确性与可解释性.方法 本研究对广西医科大学第二附属医院2017 年1 月至2024 年7 月收治的脑梗死患者104 例及非脑梗死患者205 例的临床资料进行分析,包括性别、年龄、血压、血糖、血脂、既往疾病等与脑梗死风险相关的 28 个特征变量,通过预处理和特征选择后,利用随机森林、逻辑回归、支持向量机、梯度提升、K近邻和朴素贝叶斯6 种模型进行训练,采用5 折交叉验证优化参数,并对不同模型进行测试集评估,比较受试者工作特征(ROC)曲线下面积(AUC)、准确率、敏感度及特异度指标,并采用95%置信区间(95%CI)检验其稳定性.结果 逻辑回归模型表现最佳,AUC为0.905,准确率为0.839,敏感度为0.740,特异性为0.880;调整后的梯度提升模型敏感度为0.580,特异度为 0.930;而随机森林和K近邻模型的AUC值较高,但敏感度略显不足;朴素贝叶斯模型的AUC最低为0.793,且性能波动较大.结论 逻辑回归模型在脑梗死风险预测中表现最佳,适合高风险识别;梯度提升模型平衡了灵敏度和特异性,适合筛查.未来将集成多模态预测模型,并融合医学知识优选特征,进一步推进临床实践运用.
更多相关知识
栏目名称
DOI
10.3969/j.issn.1001-5639.2025.04.013
发布时间
2026-01-24（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
