基于 3 种机器学习算法构建宫颈癌术后尿潴留风险预测模型

• 作者: 陆宇 江会 同济大学附属妇产科医院
• 来源期刊: 护理研究
• 关键词: 宫颈癌 尿潴留 危险因素 机器学习 预测模型 决策树 支持向量机 逻辑回归
• 年，卷（期）: 2024,（1）
• 所属期刊栏目: 科研论著
• 页码范围: 28-34
• 页数: 7页
• 语种: 中文

摘要

目的：运用决策树、逻辑回归和支持向量机构建宫颈癌根治性切除术后尿潴留风险预测模型并比较性能，为评估及预防宫颈癌术后尿潴留提供参考依据。方法:回顾性收集459例宫颈癌根治性切除术病人的临床资料，采用决策树、支持向量机和逻辑回归3种机器学习方法构建宫颈癌根治性切除术后尿潴留风险预测模型，采用准确性、召回率、精确率、F1指数和受试者工作特征（ROC）曲线下面积（AUC）评价模型性能。结果:共纳入病人的年龄、疾病分期、体质指数等8个变量。选择80%的数据集（367例）作为训练集，20%的数据集（92例）作为验证集，结果显示，决策树在训练集和验证集中准确率、召回率、精确率、F1指数和AUC都比支持向量机和逻辑回归更优，说明决策树在构建宫颈癌术后尿潴留风险预测模型中具有较高的准确率及较好的泛化性能；支持向量机在训练集中准确率、召回率、精确率、F1指数和AUC都比逻辑回归更优。同时，在验证集中，支持向量机的召回率和F1指数比逻辑回归更优，但是支持向量机的准确率、精确率和AUC却比逻辑回归差，说明支持向量机在宫颈癌术后尿潴留数据集中的泛化能力比逻辑回归差。结论:决策树在构建宫颈癌根治性切除术后尿潴留风险预测模型中具有较高的性能及较好的泛化能力，可为相关临床决策提供指导建议。