资源类型：
收录情况：
◇ 统计源期刊
◇ 北大核心
◇ CSCD-C
文章类型：
机构：
[1]北京大学公共卫生学院北京100191
北京大学
[2]首都医科大学附属北京天坛医院国家神经系统疾病临床研究中心
国家神经系统疾病临床医学研究中心
国家神经系统疾病临床医学研究中心
首都医科大学
首都医科大学附属北京天坛医院
首都医科大学附属天坛医院
[3]北京交通大学信息管理学院
北京交通大学
出处：
ISSN：
关键词：
缺血性脑卒中
出院1年后死亡
机器学习模型
预测
摘要：
目的 评价支持向量机(SVM)、随机森林、极端梯度提升(XGBoost)和自适应提升(Adaboost)4种机器学习模型对缺血性脑卒中出院1年后死亡结局的预测效果.方法 收集2007年9月-2008年8月中国国家卒中登记项目(CNSR)第1期数据库中12 418例缺血性卒中患者资料,通过3次不同分组重复训练模型,采用python 3.7进行SVM、随机森林、XGBoost和Adaboost4种机器学习模型的训练及验证,并应用SAS 9.4进行logistic回归分析,通过死亡结局的F1-score、受试者工作特征曲线下面积(AUC)和准确率等指标比较各模型对缺血性脑卒中出院1年后死亡结局的预测效果.结果 4种机器学习模型及logistic回归模型对缺血性脑卒中出院1年后死亡结局预测效果按准确率排列从高到低依次为XGBoost[(88.55±0.18)％]、随机森林[(84.02±0.53)％]、Adaboost[(82.58±0.17)％]、SVM[(80.91±0.28)％]和[logistic(77.03±0.37)％],按死亡结局的F1-score排列从高到低依次为XGBoost[(50.14±0.43)％]、随机森林[(49.40±1.00)％]、Adaboost[(48.72±0.63)％]、SVM[(46.42±0.45)％]和logistic[(44.81±0.50)％],按AUC排列从高到低依次为随机森林[(81.68±0.42)％]、logistic[(81.39±0.66)％]、XGBoost[(81.24±0.44)％]、Adaboost[(81.20±0.41)％]和SVM[(79.71±0.37)％].结论 SVM、随机森林、XGBoost和Adaboost4种机器学习模型预测效果均表现良好且模型稳定,在准确率和F 1-score上均优于传统logistic回归模型;在AUC上SVM模型最低,其余各模型差别不大.
基金：
国家重点研发计划课题(2016YFC0901001,2018YFC1311703)
中文影响因子：
第一作者：
第一作者机构：
[1]北京大学公共卫生学院北京100191
通讯作者：
通讯机构：
[1]北京大学公共卫生学院北京100191
[2]首都医科大学附属北京天坛医院国家神经系统疾病临床研究中心
推荐引用方式(GB/T 7714)：
饶夫阳,宋艳平,吕芯芮,等.基于机器学习模型缺血性脑卒中1年死亡预测效果评价[J].中国公共卫生.2019,35(9):1187-1191.
