老年慢性心力衰竭患者院内发生急性心力衰竭风险预测模型构建与比较

目的构建老年慢性心力衰竭(chronic heart failure,CHF)患者院内发生急性心力衰竭(acute heart failure,AHF)的风险预测的最佳模型。方法选取2018年1月至2020年12月北京大学第三医院收治的所有CHF患者,根据院内是否发生AHF,分为发生组(55例)和未发生组(564例)。采用支持向量机、随机森林、XGBoost法以及Logistic 4种方法构建预测模型。结果本研究使用MV值与卡方检验筛选出的老年CHF患者院内发生AHF的危险因素包括体重、入院心率、收缩压、性别、职业和静脉利尿剂;使用支持向量机、随机森林、XGBoost和Logistic 4种方法构建了院内发生AHF预测模型,预测准确率分别达到了91.92%、94.16%、94.27%和90.73%,曲线下面积(area under curve,AUC)值分别为0.6280、0.7349、0.9350和0.5505,以XGBoost的准确率最高,而Logistic模型的AUC值最低,判别能力较差。结论本研究构建的4种预测模型,以XGBoost构建的模型准确率最高,同时具有较好的敏感性和模型判别能力。

员工流失的影响因素分析与预测

文章采用高维数据变量筛选的方法对衡量员工离职的诸多因素进行统计分析,并对员工离职情况进行了预测.分别使用了由Cui等(2015)提出的MV (Mean of Variance)方法和LASSO方法对高维数据进行变量筛选,选出了与员工离职相关较为密切的的变量进入分类模型.为保证模型预测结果的准确性,文章选择了支持向量机、随机森林、XGBoost以及Logistic模型四种机器学习模型对员工离职情况进行预测.在100次的实验中,相比于另外的7种组合模型方法,MV变量选择下的随机森林模型的平均分类准确率最高,达到95.43%.通过改变训练集与验证集的比例、抽取80%样本数据、增加随机扰动三种方式来验证上述实验结果,发现仍然是MV方法下的随机森林的平均分类准确率最高,且该组合模型具有较好的稳健性能.