换一批基于多算法改进机器学习结核性胸膜炎的风险预测模型研究
Research on risk prediction model for tuberculous pleuritis based on multi-algorithm improved machine learning
摘要目的 利用机器学习构建结核性胸膜炎(TPE)的风险预测模型.方法 选取2020年1月—2025年2月南通市第六人民医院收治的胸腔积液患者1 519例,其中将纳入数据集的1 434例患者中结核性胸膜炎患者527例,非结核性胸膜炎患者907例,按7∶3随机分为训练集和验证集,收集患者的入院资料、胸腔积液及外周血中腺苷脱氨酶(ADA)、红细胞(RBC)、癌胚抗原(CEA)等39项指标.通过单变量分析、Lasso回归、Boruta特征选择算法筛选潜在的预测因子.采用7种机器学习建立预测模型.使用受试者工作曲线下面积(AUC)、灵敏度、特异性、准确性、F1分数、校准曲线和决策曲线(DCA)评估结核性胸膜炎的预测模型性能,并确定最优模型.最后使用沙普利加性解释(SHAP)对最优模型进行解释,分析特征的作用机制及对分类性能的影响.结果 3种特征选择方法筛选出10个共同预测因子.在7个机器学习模型中,随机森林(RF)模型表现最佳,AUC、F1分数均最高(0.906、0.786).另外校准曲线与DCA曲线分析均表明该模型性能较优.对RF模型的特征变量SHAP解释分析显示,盗汗、乏力、发热、年龄、胸腔积液ADA、胸腔积液RBC、胸腔积液CEA、血乳酸脱氢酶(LDH)、血中性粒细胞(NC)、血ADA是TPE的预测因素.结论 基于RF算法构建的TPE诊断模型具有最优质的诊断性能,可以更加简单、快速、有效地识别TPE.
更多相关知识
关键词
结核性胸膜炎胸腔积液机器学习预测模型算法Tuberculous pleuritisPleural effusionMachine learningPredicton modelAlgorithm
分类号
R521（结核病）
栏目名称
DOI
10.11816/cn.ni.2026-252709
发布时间
2026-06-05（万方平台首次上网日期，不代表论文的发表时间）
基金项目
南通市科技局项目（JCZ2025002）
南通市科技局项目（MSZ2025090）
南通市卫生健康委员会科研项目（MS2024080）
南通市传染病防治联盟科研项目（NTCRB2025002）
南通市传染病防治联盟科研项目（NTCRB2025003）
南通市第六人民医院院级项目（ntly202407）
南通市第六人民医院院级项目（ntly202414）
- 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
