数据挖掘方法在女性尿失禁预测中应用的研究进展

中国女性尿失禁的发病率为21.2/1 000人年, 严重困扰患者的身心健康和社会交往, 降低了生命质量。近年来, 数据挖掘已广泛应用于医学实践中, 使用数据挖掘方法有望增加对疾病预测的准确性, 以达到良好的诊治效果。应用数据挖掘方法构建预测模型可以预测女性尿失禁的发生风险, 有助于识别高危人群进行早期预防。不同数据挖掘方法预测女性尿失禁的性能优劣尚需进一步研究。本文梳理了近年数据挖掘方法(包括logistic回归、多层感知器神经网络和人工神经网络、决策树算法、随机森林算法等)在预测女性尿失禁中应用的研究进展;对比了多种数据挖掘方法建立的预测模型的预测效能, 发现logistic回归、多层感知器神经网络、决策树算法、支持向量机建立的尿失禁预测模型的预测效果良好;本文也对当前研究存在的不足进行了总结(如:样本量小、"黑箱"问题等), 可为进一步的相关研究及应用提供借鉴。