基于机器学习算法构建缺血性卒中3个月死亡预测模型研究

目的 探讨基于机器学习算法XGBoost构建缺血性卒中发病3个月死亡预测模型的应用价值.方法 选择中国国家卒中登记(China National Stoke Registry,CNSR)数据库中缺血性卒中患者为研究对象.按照7:3比例随机分为训练集和测试集,训练集用于构建预测模型,测试集用于评价模型效果.分别采用XGBoost和Logistic回归方法构建缺血性卒中发病3个月死亡预测模型,通过ROC曲线下面积(area under the curve,AUC)评价两种模型的预测价值.结果 共纳入10645例缺血性卒中患者,平均年龄65.18±12.23岁,女性4045例(38.0％),入院NI...

Full description

Saved in:
Bibliographic Details
Published inZhongguo cuzhong zazhi Vol. 15; no. 6; pp. 595 - 599
Main Authors 陈思玎, 刘欢, 黄馨莹, 李皓琳, 谷鸿秋, 姜勇
Format Journal Article
LanguageChinese
Published 北京大数据精准医疗高精尖创新中心(北京航空航天大学&首都医科大学) 01.06.2020
国家神经系统疾病临床医学研究中心, 北京首都医科大学附属北京天坛医院,100070%100070 北京首都医科大学附属北京天坛医院,国家神经系统疾病临床医学研究中心
Editorial Department of Chinese Journal of Stroke
Subjects
缺血性卒中，预测模型，机器学习，死亡
缺血性卒中
预测模型
死亡
机器学习
Online AccessGet full text
ISSN1673-5765
DOI10.3969/j.issn.1673-5765.2020.06.004

Cover

More Information
Summary:目的 探讨基于机器学习算法XGBoost构建缺血性卒中发病3个月死亡预测模型的应用价值.方法 选择中国国家卒中登记(China National Stoke Registry,CNSR)数据库中缺血性卒中患者为研究对象.按照7:3比例随机分为训练集和测试集,训练集用于构建预测模型,测试集用于评价模型效果.分别采用XGBoost和Logistic回归方法构建缺血性卒中发病3个月死亡预测模型,通过ROC曲线下面积(area under the curve,AUC)评价两种模型的预测价值.结果 共纳入10645例缺血性卒中患者,平均年龄65.18±12.23岁,女性4045例(38.0％),入院NIHSS评分4(2～9)分,3个月死亡患者447例(4.48％).XGBoost和Logistic回归预测模型的AUC分别为0.8539、0.8278(P=0.0835),灵敏度分别为0.7413、0.7133,特异度分别为0.8286、0.8040.结论 基于机器学习算法XGBoost构建的缺血性卒中死亡预测模型表现良好且稳定.
ISSN:1673-5765
DOI:10.3969/j.issn.1673-5765.2020.06.004