目的比較隨機森林模型和Logistic回歸模型在體檢人群高尿酸血癥預(yù)測中的應(yīng)用效果。方法選取2 754例體檢個體作為研究對象,運用隨機森林模型和Logistic回歸模型建立高尿酸血癥預(yù)測模型,采用受試者工作特征曲線下面積評價兩種模型的預(yù)測效能。結(jié)果隨機森林模型特征變量的重要性分析結(jié)果顯示,排名前5位的變量依次是血肌酐、三酰甘油、腰圍、體質(zhì)指數(shù)、尿素氮;隨機森林預(yù)測模型的曲線下面積為0.759（95%CI:0.746～0.772）,靈敏度為97.2%,特異度為54.5%。Logistic回歸分析結(jié)果顯示,性別、腰圍、體質(zhì)指數(shù)、三酰甘油、血肌酐是高尿酸血癥發(fā)生的影響因素（均P<0.05）;Logistic回歸預(yù)測模型的曲線下面積為0.658（95%CI:0.647～0.669）,靈敏度為87.7%,特異度為43.9%。隨機森林預(yù)測模型曲線下面積優(yōu)于Logistic回歸模型（P<0.05）。結(jié)論 Logistic回歸模型可直觀解釋變量對疾病發(fā)生的風(fēng)險度;而隨機森林模型對高尿酸血癥預(yù)測效果較好,可獲得各個因素的重要性評分,可以作為Logistic回歸預(yù)測模型的補充。 

【文章來源】：廣西醫(yī)學(xué). 2020,42(06)

【文章頁數(shù)】：5 頁

【文章目錄】：
1 資料與方法
    1.1 臨床資料
    1.2 高尿酸血癥診斷標(biāo)準(zhǔn)
    1.3 調(diào)查內(nèi)容
    1.4 統(tǒng)計學(xué)分析
        1.4.1 隨機森林預(yù)測模型的建立:
        1.4.2 Logistic回歸預(yù)測模型的建立:
        1.4.3 驗證模型:
2 結(jié) 果
    2.1 高尿酸血癥檢出情況及單因素分析結(jié)果
    2.2 隨機森林預(yù)測模型分析結(jié)果
    2.3 Logistic回歸模型分析結(jié)果
    2.4 兩種模型的預(yù)測效果比較
3 討 論


【參考文獻】：
期刊論文
[1]基于機器學(xué)習(xí)的醫(yī)療大數(shù)據(jù)分析與臨床應(yīng)用[J]. 孫濤,徐秀林.  軟件導(dǎo)刊. 2019(11)
[2]機器學(xué)習(xí)隨機森林算法的應(yīng)用現(xiàn)狀[J]. 杭琦,楊敬輝.  電子技術(shù)與軟件工程. 2018(24)
[3]集成學(xué)習(xí)之隨機森林算法綜述[J]. 王奕森,夏樹濤.  信息通信技術(shù). 2018(01)
[4]高尿酸血癥流行病學(xué)數(shù)據(jù)的變遷及反思[J]. 唐羽裳,劉宏,劉必成.  藥品評價. 2015(07)
[5]隨機森林的變量捕獲方法在高維數(shù)據(jù)變量篩選中的應(yīng)用[J]. 宋欠欠,李軼群,侯艷,李康.  中國衛(wèi)生統(tǒng)計. 2015(01)
[6]高尿酸血癥與腎損害[J]. 趙娟,張卓莉.  中國醫(yī)學(xué)前沿雜志(電子版). 2014(10)
[7]從《高尿酸血癥和痛風(fēng)治療中國專家共識》談高尿酸血癥的治療[J]. 郭立新.  藥品評價. 2014(01)
[8]隨機森林模型在分類與回歸分析中的應(yīng)用[J]. 李欣海.  應(yīng)用昆蟲學(xué)報. 2013(04)
[9]使用隨機森林判別分析法預(yù)測黑加侖油膠囊治療高血脂的效果[J]. 范昕,趙桂新,孫萌,張濤.  中醫(yī)藥信息. 2012(04)
[10]基因表達數(shù)據(jù)判別分析的隨機森林方法[J]. 武曉巖,李康.  中國衛(wèi)生統(tǒng)計. 2006(06)



本文編號：3634665