基于机器学习算法的重症缺血性脑卒中早期死亡预测效果评价

目的 评价支持向量机(SVM)、随机森林、极限梯度提升(XGBoost)3种机器学习算法与logistic回归模型在重症缺血性脑卒中30 d死亡结局预测中的效果。方法 使用2008年至2019年美国重症监护医学信息数据库Ⅳ(MIMIC-Ⅳ)中符合纳入标准的2 358例重症缺血性脑卒中患者资料,分别用SVM、随机森林、XGBoost3种机器学习算法与logistic回归方法,结合合成少数过采样技术(SMOTE)建立早期死亡预测模型,并使用ROC曲线的AUC值、准确度、F1分数、布里尔分数等指标评价模型的预测效果。结果 SVM、随机森林、XGBoost与logistic回归模型在原始不平衡数据集中预测早期死亡的AUC值分别为0.78、0.81、0.84、0.83。应用SMOTE合成数据集后,SVM、随机森林、XGBoost与logistic回归模型的AUC值分别为0.72、0.84、0.83、0.83。除SVM模型外,随机森林、XGBoost模型与logistic回归之间有相似的预测能力,但其准确度、布里尔分数均优于logistic回归模型,综合分类性能更优。结论 机器学习算法在缺血性脑卒中早期死亡预测中性能较传统logistic回归方法更优。

某部基层战士自评健康状况调查

目的了解海军某基层部队战士自评健康状况。方法采用自行设计的调查问卷于2015-05对某海军基层部队266名战士进行问卷调查,调查方式为自填问卷调查。结果调查对象平均(22.39±3.03)岁。138名(53.70%)认为自己健康状况好,28名(15.73%)对自己健康状况满意。146名(57.25%)总体精神状态好。有56.86%战士在调查前两周内有身体不适,6个月内24.80%战士患有慢性病。两周患病和慢性病均与总体健康状况有关(P<0.05)。结论该部队战士自评健康状况较好,疾病影响战士的健康状况,可通过加强疾病预防、进行健康教育等方法提高总体健康水平。

基于Fine-Gray竞争风险模型的小肝癌患者预后模型构建与验证

目的探究小肝癌患者预后影响因素,构建预后预测模型,为患者的个体化预后评估提供更精确的工具。方法通过SEER数据库收集2004-2015年确诊的2648例小肝癌患者信息,按照7∶3的比例,将患者随机分成训练集(1853例)与验证集(795例)。使用Fine-Gray竞争风险模型对训练集资料进行单因素和多因素分析,探究影响小肝癌患者预后的独立危险因素,建立预后模型,从区分度和校准度两个角度分别对训练集与验证集数据的预测效果进行验证,基于预后模型结果绘制列线图并采用R-shiny构建生存率计算器。结果多因素分析结果表明,年龄(HR=1.165,95%CI为1.005~1.349,P=0.042)、婚姻状况(HR=1.250,95%CI为1.084~1.440,P=0.002)、肿瘤分级(HR=1.440,95%CI为1.197~1.733,P<0.001)、N分期(HR=0.442,95%CI为0.285~0.684,P<0.001)、M分期(HR=0.502,95%CI为0.325~0.776,P=0.002)、肿瘤大小(HR=1.216,95%CI为1.052~1.404,P=0.008)、手术情况(HR=2.732,95%CI为2.311~3.230,P<0.001)是小肝癌患者预后的独立影响因素。根据独立影响因素构建的列线图,在训练集中1、3和5年特异性生存率的曲线下面积分别为0.782、0.761和0.741,在验证集中分别为0.772、0.756和0.737;校准曲线显示在训练集与验证集中1、3和5年预测模型的预测发生率与实际发生率基本一致。结论Fine-Gray竞争风险模型能高效辨别小肝癌患者的预后独立影响因素,以此为依据构建的预后模型能更准确预测患者的特异性生存率,为医师进行决策提供有价值的参考依据。

多组资料倾向性评分加权法模型构建与比较

目的 比较处理多组资料数据时三种倾向性评分加权方法在不同样本量的条件下均衡协变量的能力和估计处理效应的优劣。方法 采用Monte Carlo模拟的方法生成数据集,比较三种倾向性评分加权方法Logistic-IPTW、Logistic-OW和GBM-OW法均衡协变量和估计处理效应的优劣。协变量均衡水平指标为绝对标准均值差。处理效应评价指标包括处理效应的点估计值、均方根误差、可信区间覆盖率。结果 在5种协变量与处理因素、结局变量有不同复杂程度的相关关系的场景下,相比于Logistic-IPTW法和Logistic-OW法,GBMOW法在效应估计方面更优,同时拥有更小的均方根误差;在协变量均衡性方面,三种方法效果都比较好,GBMOW方法在多组资料倾向性评分分布重叠度较低,且在协变量与分组变量、结局变量有越来越复杂的非线性关系时表现变好。结论 在处理多组资料时,GBM-OW法相对另外两种方法,在协变量与分组变量、结局变量之间存在非线性或(和)交互关系时具有优势。运用此方法后效应估计更加接近真实值,为较优的选择。

倾向性评分加权方法介绍及R软件实现

本文介绍了倾向性评分加权中的逆概率加权和重叠权重加权,以及如何进行均衡性检验及效应量估计,随后介绍并比较了4种可以实现倾向性评分加权的R软件包。