换一批基于重采样和异质集成学习算法预测肝硬化并发肝性脑病风险初步研究
Preliminary study on building a risk prediction model for hepatic encephalopathy in liver cirrhosis patients based on resampling and ensemble learning algorithms
摘要目的 基于重采样和集成学习算法构建肝硬化并发肝性脑病风险的预测模型,并对模型进行评价.方法 选取2016年1月至2023年5月大理大学第二附属医院就诊的伴或不伴肝性脑病的肝硬化患者,收集临床资料,采用重采样技术和异质集成分类模型构建肝硬化患者发生肝性脑病风险的预测模型,并用ROC曲线、校准曲线、决策曲线对模型进行评价.结果 基于SMOTE-Tomeklinks重采样数据集,以Random Forest、XGBoost和SVM作为组件学习器,LR、MLP分别作为元分类器的Stacking异质集成模型对肝硬化并发肝性脑病的识别效果最好;MLP-Stacking的AUC为0.987,LR-Stacking的AUC为0.988,诊断效能较高;校正曲线与理想曲线拟合良好,提示模型具有较好的判别能力,决策曲线表明模型具有较高的临床获益.结论 针对肝硬化并发肝性脑病数据的信息冗余和类间不平衡的特征,本文所提出的基于重采样的集成模型取得了良好的预测性能及临床获益.
更多相关知识
关键词
肝硬化肝性脑病预测模型重采样集成学习Liver cirrhosisHepatic encephalopathyPrediction modelResamplingEnsemble learning
分类号
R575（消化系及腹部疾病）
栏目名称
DOI
10.3969/j.issn.1006-5709.2025.10.015
发布时间
2025-11-10（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 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
