换一批基于随机森林算法的呼吸系统新冠后遗症预测模型的构建与分析
Construction and Analysis of a Novel Coronavirus Sequelae Prediction Model of Respiratory System Based on Ran-dom Forest Algorithm
摘要目的:探讨基于随机森林算法构建的呼吸系统新冠后遗症(PASC)预测模型的效果.方法:选择2022年1月-2023年5月期间于我院住院治疗的新冠感染患者537例作为研究对象.收集患者入院时基本资料、实验室检查结果、住院期间治疗方案等资料.对患者出院后进行为期半年的随访,统计随访期间PASC发生情况并分组,分析两组收集资料之间的差异,并通过多因素logistic回归分析模型和随机森林的集成分类算法对影响PASC发生的相关因素进行预测,并比较两者间预测效能的差异.结果:截至2023年11月30日随访结束,共计537例患者纳入本次研究,共计108例确诊PASC.PASC组患者年龄大于对照组,机械通气、冠心病占比高于对照组,罹患新冠分型及疫苗接种情况差于对照组(P＜0.05).PASC组患者Ly及Ly/Ne低于对照组,IL-6、TNF-α、D二聚体及FIB高于对照组(P＜0.05).年龄、IL-6、TNF-α、D二聚体、FIB、冠心病、未接种新冠疫苗是影响PASC发生的独立危险因素,Ly/Ne、罹患新冠分型为轻、中型是影响PASC发生的独立保护因素(P＜0.05).根据随机森林模型预测精度平均下降量对各变量重要程度排名为:D二聚体、FIB、Ly/Ne、年龄、IL-6、新冠分型、TNF-α、疫苗接种情况及冠心病.使用梯度提升回归算法验证随机森林算法的误差(均方差)筛选最优决策树数量为20棵,并构建预测模型.随机森林的集成分类算法其诊断效能(AUC=0.976)明显高于多因素logistic回归分析(AUC=0.790).结论:基于随机森林算法构建的PASC预测模型具有较好的预测价值.
更多相关知识
关键词
新冠后遗症logistic回归分析随机森林算法Post-acute sequelae of COVID-19Logistic regression analysisRandom forest algorithm
分类号
R56（呼吸系及胸部疾病）
栏目名称
DOI
10.19381/j.issn.1001-7585.2024.19.006
发布时间
2024-10-21（万方平台首次上网日期，不代表论文的发表时间）
基金项目
联勤保障部队第九二五医院自主创新科学基金项目（yjkt2023-04）
- 浏览12
- 被引1
- 下载6
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
