换一批基于机器学习的肠球菌血流感染预后不良预测模型的构建与评估
Establishment of prediction model for adverse prognosis of patients with Enterococcus bloodstream infection based on machine learning and its predictive efficiency
摘要目的 构建基于机器学习肠球菌血流感染患者发生预后不良的多种预测模型,并评估其预测效能.方法 回顾性分析2021年1月1日-2024年12月31日南京医科大学附属江宁医院收治的128例肠球菌血流感染患者的临床资料,采用Lasso回归和多因素logistic回归筛选与其发生有关联的显著变量,并将其纳入机器学习模型.分别采用逻辑回归、决策树、随机森林、极限梯度提升、轻量级梯度提升机、支持向量机和人工神经网络7种机器学习方法构建预测模型,比较模型的精确率、准确率、灵敏度和F1分数等以评估不同模型的预测效能.结果 逻辑回归、决策树、随机森林、极限梯度提升、轻量级梯度提升机、支持向量机和人工神经网络在测试集中的准确率分别为 83.33、84.44、87.78、86.67、82.22、86.67 和 86.67;精确率分别为 88.24、78.72、85.71、83.72、77.78、83.72 和 83.72;F1 分数分别为 0.800、0.841、0.867、0.857、0.814、0.857 和 0.857;AUC 值分别为0.922、0.922、0.952、0.933、0.878、0.916和0.942.其中随机森林模型预测性提示,低蛋白血症是最具影响力的因素.结论 成功构建出预测肠球菌血流感染患者发生预后不良的模型,其中随机森林模型预测效能最佳,可为该类患者临床护理工作提供一个早期预测和防治预后不良发生的有效工具.
更多相关知识
关键词
肠球菌血流感染机器学习逻辑回归决策树随机森林极限梯度提升轻量级梯度提升机支持向量机人工神经网络预后不良预测模型EnterococcusBloodstream infectionMachine learningLogistic regressionDecision treesRandom forestsExtreme gradient boostingLightweight gradient boosting machinesSupport vector machinesArtifi-cial neural networksPoor prognosisPrediction model
分类号
R631（外科感染）
栏目名称
DOI
10.11816/cn.ni.2026-252113
发布时间
2026-04-20（万方平台首次上网日期，不代表论文的发表时间）
基金项目
安徽省教育厅自然科学研究项目（KJ2019A0276）
南京医科大学附属江宁医院青年创新科研基金项目（JNYYZXKY202408）
- 浏览3
- 被引0
- 下载5
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
