目的 采用结合环论的粒子群优化算法(hybridization of ring theory-based evolutionary algorithm and particle swarm optimization, RTPSO)对数据进行均衡化处理,以构建高性能冠心病合并慢性心衰预后模型。方法 分别用SMOTE算法、RT...目的 采用结合环论的粒子群优化算法(hybridization of ring theory-based evolutionary algorithm and particle swarm optimization, RTPSO)对数据进行均衡化处理,以构建高性能冠心病合并慢性心衰预后模型。方法 分别用SMOTE算法、RTPSO算法对数据进行均衡化处理,在均衡化数据集上构建logistic回归、随机森林、支持向量机模型。结果 本研究共纳入2229例冠心病合并慢性心衰患者,依据筛选出的BMI、射血分数、N端前脑钠肽等22个变量构建模型。用灵敏度、特异度、准确率、F-measure和AUC值评价模型性能,其中RF、SVM、logistic回归、RF-RTPSO、SVM-RTPSO、Logistic-RTPSO灵敏度的中位数分别为0.0172、0.0773、0.0776、0.7568、0.7640、0.7838;F-measure的中位数分别为0.0338、0.1143、0.1283、0.3412、0.3505、0.4545;AUC的中位数分别为0.5086、0.5264、0.5313、0.8016、0.7785、0.7985。结论 RTPSO算法可以从多数类样本中选择有代表性的少数样本,从而达到数据均衡化,使分类模型具备更高的预测性能,指导临床医生发现高危患者,尽早预防不良事件的发生。展开更多
目的应用随机森林模型探讨慢阻肺患者报告结局(COPD-PRO)中各维度与modified Medical Research Council(mMRC)呼吸困难评分一致性评价的效果,以评估COPD-PRO对患者症状判断的准确性。方法于山西13所医院收集300例慢阻肺患者,以mMRC评分...目的应用随机森林模型探讨慢阻肺患者报告结局(COPD-PRO)中各维度与modified Medical Research Council(mMRC)呼吸困难评分一致性评价的效果,以评估COPD-PRO对患者症状判断的准确性。方法于山西13所医院收集300例慢阻肺患者,以mMRC评分生成的二分类变量为结局变量,COPD-PRO13个维度为预测变量,并纳入人口学特征变量,构建随机森林模型,并与决策树模型进行比较。结果IND(独立性)、ANX(焦虑)、COG(疾病认知)、DEP(抑郁)等维度对于慢阻肺患者报告结局量表的症状评估的贡献较大。两种模型性能比较结果显示,随机森林的特异度、精准度和AUC和F 1值都高于决策树模型。结论随机森林模型在慢阻肺患者报告结局的症状评估中具有较好的预测效果,并识别影响患者症状的相关因素,为临床治疗与管理提供理论依据。展开更多
文摘目的 采用结合环论的粒子群优化算法(hybridization of ring theory-based evolutionary algorithm and particle swarm optimization, RTPSO)对数据进行均衡化处理,以构建高性能冠心病合并慢性心衰预后模型。方法 分别用SMOTE算法、RTPSO算法对数据进行均衡化处理,在均衡化数据集上构建logistic回归、随机森林、支持向量机模型。结果 本研究共纳入2229例冠心病合并慢性心衰患者,依据筛选出的BMI、射血分数、N端前脑钠肽等22个变量构建模型。用灵敏度、特异度、准确率、F-measure和AUC值评价模型性能,其中RF、SVM、logistic回归、RF-RTPSO、SVM-RTPSO、Logistic-RTPSO灵敏度的中位数分别为0.0172、0.0773、0.0776、0.7568、0.7640、0.7838;F-measure的中位数分别为0.0338、0.1143、0.1283、0.3412、0.3505、0.4545;AUC的中位数分别为0.5086、0.5264、0.5313、0.8016、0.7785、0.7985。结论 RTPSO算法可以从多数类样本中选择有代表性的少数样本,从而达到数据均衡化,使分类模型具备更高的预测性能,指导临床医生发现高危患者,尽早预防不良事件的发生。
文摘目的应用随机森林模型探讨慢阻肺患者报告结局(COPD-PRO)中各维度与modified Medical Research Council(mMRC)呼吸困难评分一致性评价的效果,以评估COPD-PRO对患者症状判断的准确性。方法于山西13所医院收集300例慢阻肺患者,以mMRC评分生成的二分类变量为结局变量,COPD-PRO13个维度为预测变量,并纳入人口学特征变量,构建随机森林模型,并与决策树模型进行比较。结果IND(独立性)、ANX(焦虑)、COG(疾病认知)、DEP(抑郁)等维度对于慢阻肺患者报告结局量表的症状评估的贡献较大。两种模型性能比较结果显示,随机森林的特异度、精准度和AUC和F 1值都高于决策树模型。结论随机森林模型在慢阻肺患者报告结局的症状评估中具有较好的预测效果,并识别影响患者症状的相关因素,为临床治疗与管理提供理论依据。
