目的 探讨3种机器学习算法对脑梗死患者颈动脉斑块稳定性的预测效能.方法 回顾性分析500例脑梗死患者的临床资料,使用单因素分析、多因素分析确定进入模型的预测因子.分别基于列线图、决策树和随机森林构建评估脑梗死患者颈动脉斑块稳定性的预测模型.将入组患者按照7∶3的比例随机分为训练集和测试集.以灵敏度、特异度、精确率、召回率、正确率以及曲线下面积(AUC)比较模型的应用效能.结果 列线图模型评估训练集脑梗死患者颈动脉斑块稳定性的AUC为0.967(95%CI:0.950~0.983),灵敏度为0.910,特异度为0.917,精确率为0.886,召回率为0.910,正确率为0.914.决策树模型评估训练集脑梗死患者颈动脉斑块稳定性的AUG为0.932(95%CI:0.903~0.961),灵敏度为0.903,特异度为0.922,精确率为0.891,召回率为0.903,正确率为0.914.随机森林模型评估训练集脑梗死患者颈动脉斑块稳定性的AUC为0.984(95%CI:0.970~0.998),灵敏度为0.972,特异度为0.995,精确率为0.993,召回率为0.972,正确率为0.986.结论 基于随机森林算法建立的模型在评估脑梗死患者颈动脉斑块稳定性中具有较好的预测效果和稳定性,其预测效能优于列线图和决策树.
作者:湛先发;余小亚;王洪军;熊坤林
来源:实用临床医药杂志 2023 年 27卷 22期