基于机器学习的院内消化道致命性再出血预测与指标筛选
【出 处】:
【作 者】:
魏子健
[1]
李静
[1]
李雪岩
[2]
赵宇卓
[3]
贾立静
[3]
黎檀实
[3]
【摘 要】目的 提出基于机器学习的院内消化道致命性再出血预测和指标筛选方法.方法 从解放军总医院急救数据库中提取确诊为消化道出血样本728例次,其中确定发生院内消化道致命性再出血患者343例次.提取、筛选得到相关生理或化验指标共计64项.在十折交叉验证的基础上,分别使用Logistic回归、以决策树为弱分类器的自适应增强(AdaBoost)算法、以决策树为弱分类器的XGBoost算法进行分类预测并对比;利用XGBoost算法进行序列特征前向搜索,以训练时迭代出的指标重要性进行筛选,并得到预测院内消化道致命性再出血的关键指标.结果 Logistic回归和基于决策树的AdaBoost算法、XGBoost算法在各特征输入维度下均得到了较好的F1.5分数,其中XGBoost算法效果最好、评分最高,即能够尽可能找出更多的可能发生院内消化道致命性再出血的患者.通过XGBoost算法迭代结果得到了预测院内消化道致命性再出血的前30个重要性较高的指标,其中前12个关键指标迭代时F1.5分数达到峰值(0.893),分别为血红蛋白测定(Hb)、钙(CA)、红细胞计数(RBC)、平均血小板体积测定(MPV)、平均红细胞血红蛋白浓度(MCH)、收缩压(SBP)、血小板计数(PLT)、镁(MG)、淋巴细胞(LYM)、葡萄糖(GLU,血气分析)、葡萄糖(GLU,血生化)、舒张压(DBP).结论 Logistic回归及基于决策树的AdaBoost算法和XGBoost算法都能达到预测院内消化道致命性再出血的预警目的,其中XGBboost算法更佳,并能得到12个关键指标.
相关热词搜索: 消化道出血 机器学习 自适应增强算法 XGBoost算法
上一篇: 醋酸钠林格液用于发绀型先天性心脏病患儿围手术期容量治疗的效果评价
下一篇: 新型改良病号服用于心电监护患者的效果评价