换一批基于可解释机器学习算法的产后压力性尿失禁预测模型研究
A disease prediction model for postpartum stress urinary incontinence using multiple clinical factors com-bined with machine learning algorithms
摘要目的:使用多临床因素结合机器学习算法构建产后压力性尿失禁(stress urinary incontinence,SUI)的疾病预测模型,并使用SHAP(Shapley additive explanations)算法解释最优模型中各因子在决策过程中的影响方向及贡献.方法:回顾性分析2021年4月至2024年9月于徐州市中心医院新城分院产后康复科就诊的产后复查患者资料3114例.收集产妇临床信息,使用秩和检验和χ2检验筛选健康组和患病组间具有差异性的特征因子后,使用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)和Boruta算法进行二次特征选择.基于所选特征构建10种常见机器学习模型并比较其最终预测效果.通过计算模型的曲线下面积(area under the curve,AUC)、准确率、精确度、召回率和F1指数评估算法效能,选择最优模型进行SHAP解释.结果:随机梯度提升(stochastic gradient boosting,SGboost)算法模型的AUC 0.804、准确率0.855、精确度0.861、召回率0.978、F1分数0.916,预测性能最优.SHAP算法解析表明,阴道前壁中度膨出、年龄、顺产、胎重、SUI家族史、身体质量指数、Ⅰ类肌收缩值以及耐力收缩幅度在SUI发生中为关键预测因子,累计权重82.3%.结论:基于多维度临床特征的SGBoost模型在产后SUI的早期风险分层中具有可行性,但其临床应用仍需多中心外部数据验证.
更多相关知识
关键词
产后康复疾病预测模型可解释机器学习SHAP压力性尿失禁postpartumdisease prediction modelexplainable machine learningSHAPstress urinary incontinence
栏目名称
DOI
10.3969/j.issn.1001-1242.2026.05.014
发布时间
2026-06-04（万方平台首次上网日期，不代表论文的发表时间）
基金项目
徐州市引进临床医学专家团队项目（2018TD007）
- 浏览7
- 被引0
- 下载4
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
