3种机器学习算法对维持性血液透析病人衰弱风险预测性能比较

• 作者: 汪丹丹 姚侃斐 祝雪花 浙江中医药大学护理学院
• 来源期刊: 护理研究
• 关键词: 维持性血液透析 衰弱 预测模型 Logistic回归 决策树 随机森林
• 年，卷（期）: 2024,（1）
• 所属期刊栏目: 科研论著
• 页码范围: 12-20
• 页数: 9页
• 语种: 中文

摘要

目的:应用Logistic回归、决策树CART和随机森林3种机器学习算法分别构建维持性血液透析病人衰弱风险预测模型，比较3种模型的预测效果。方法:选取2021年10月—2022年3月在杭州市2家三级甲等医院接受维持性血液透析治疗的病人485例，按照7∶3的比例随机分为训练集（n=341）和测试集（n=144），运用Logistic回归、决策树CART和随机森林建立维持性血液透析病人衰弱风险预测模型，采用准确率、灵敏度、特异度、阳性预测值、阴性预测值、Kappa系数和受试者工作特征（ROC）曲线下面积（AUC）对3种模型的预测性能进行比较。结果:训练集中，Logistic回归、决策树CART和随机森林的准确率分别为91.79%、91.50%、97.95%，特异度为96.84%、92.11%、96.91%，灵敏度为85.43%、90.73%、99.32%，阳性预测值为95.56%、90.13%、96.05%，阴性预测值为89.32%、92.59%、99.47%,Kappa值为0.832,0.828,0.958,AUC值为0.971,0.954,0.998。对3种模型的AUC值进行检验，结果发现随机森林模型与其余两种模型差异有统计学意义（P<0.05）。年龄、性别、查尔森合并疾病指数和营养风险筛查评分为3种预测模型的共同预测因子。结论:随机森林模型对维持性血液透析病人衰弱风险的预测性能优于Logistic回归和决策树CART。