换一批基于XGBoost算法的T2DM合并颈动脉斑块风险预测及致因研究
XGBoost algorithm-based risk prediction and causation study on type 2 diabetes mellitus combined with carotid plaque
摘要目的:基于梯度提升决策树的集成学习(eXtreme gradient boosting,XGBoost)算法进行2型糖尿病(type 2 diabetes mellitus,T2DM)合并颈动脉斑块的风险预测及影响因素研究,以期为该疾病的发现、预防和治疗提供有价值的指导.方法:收集2019-2023年上海市某三甲医院3 707例T2DM患者的临床数据,包括2 359例横断面数据和1 348例纵向随访数据.采用方差分析法和Pearson相关系数法对数据进行交叉验证和变量筛选.基于横断面数据和纵向随访数据,采用XGBoost算法构建预测模型,并与人工神经网络、支持向量机以及高斯朴素贝叶斯3种机器学习模型进行对比以验证XGBoost模型的性能;采用沙普利加法解释(Shapley additive explanations,SHAP)分析模型的可解释性,采用特征权重图分析模型中各特征的重要性,并基于横断面数据和纵向随访数据对影响T2DM合并颈动脉斑块的因素进行对比.结果:XGBoost模型在横断面数据中准确率为0.77、精确率为0.62、召回率为0.59、F1分数为0.51,在纵向随访数据中准确率为0.75、精确率为0.57、召回率为0.68、F1分数为0.62.综合2类数据下的性能表现,XGBoost模型整体预测效果优于人工神经网络、支持向量机以及高斯朴素贝叶斯3种机器学习模型.SHAP值散点图和特征权重图显示,口干、高血压和年龄是影响T2DM合并颈动脉斑块的主要因素.结论:通过XGBoost算法可以实现对T2DM合并颈动脉斑块的预测.临床实践中应对影响该疾病的相关因素加强监测、评估和干预,以降低罹患该疾病的可能性.
更多相关知识
关键词
T2DM颈动脉斑块XGBoost算法风险预测影响因素Type 2 diabetes mellituscarotid plaqueeXtreme gradient boosting algorithmrisk predictioninfluencing factor
栏目名称
DOI
10.19745/j.1003-8868.2025212
发布时间
2025-12-25（万方平台首次上网日期，不代表论文的发表时间）
基金项目
院内医政管理优化项目（20220206）
- 浏览3
- 被引0
- 下载2
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
