目的基于logistic回归和人工智能算法建立肠道准备预测模型,探讨两类算法在肠道准备临床研究中优缺点,选择最合适的模型指导临床工作。方法分别运用logistic回归和神经网络在训练集中建立模型,构建肠道准备的评分系统,并在测试集中评估...目的基于logistic回归和人工智能算法建立肠道准备预测模型,探讨两类算法在肠道准备临床研究中优缺点,选择最合适的模型指导临床工作。方法分别运用logistic回归和神经网络在训练集中建立模型,构建肠道准备的评分系统,并在测试集中评估两个模型的ROC曲线下面积(AUC,Area under the ROC Curve)、净重新分类改善指数(NRI,Net Reclassification Index)指标。结果研究共纳入了757例患者,其中训练集队列455例,验证集队列302例。经logistic回归进行混杂因素的调整后,发现BMI、服泻药后不适症状、宣教方式、便秘情况、术前是否高纤维饮食、糖尿病病史、术前积极活动为影响肠道准备的独立因素,其评分系统可分为三个风险分组,在验证集中的AUC值0.823。人工智能算法中,神经网络模型的AUC值为0.875,NRI为0.18,且P<0.05,具有统计学显著性,提示神经网络的预测能力优于logistic回归模型,正确分类的比例提高了18%。结论logistic回归模型能提供各变量间的参数细节,为肠道准备预测提供详细的评分,可用于临床推广。神经网络模型预测效果更好,在处理多重共线性问题更有优势,但它不能提供具体的模型细节,作出可视化的依据指导临床。两类算法各有优劣,神经网络更适合用于图像一类的矩阵数据。展开更多
文摘目的基于logistic回归和人工智能算法建立肠道准备预测模型,探讨两类算法在肠道准备临床研究中优缺点,选择最合适的模型指导临床工作。方法分别运用logistic回归和神经网络在训练集中建立模型,构建肠道准备的评分系统,并在测试集中评估两个模型的ROC曲线下面积(AUC,Area under the ROC Curve)、净重新分类改善指数(NRI,Net Reclassification Index)指标。结果研究共纳入了757例患者,其中训练集队列455例,验证集队列302例。经logistic回归进行混杂因素的调整后,发现BMI、服泻药后不适症状、宣教方式、便秘情况、术前是否高纤维饮食、糖尿病病史、术前积极活动为影响肠道准备的独立因素,其评分系统可分为三个风险分组,在验证集中的AUC值0.823。人工智能算法中,神经网络模型的AUC值为0.875,NRI为0.18,且P<0.05,具有统计学显著性,提示神经网络的预测能力优于logistic回归模型,正确分类的比例提高了18%。结论logistic回归模型能提供各变量间的参数细节,为肠道准备预测提供详细的评分,可用于临床推广。神经网络模型预测效果更好,在处理多重共线性问题更有优势,但它不能提供具体的模型细节,作出可视化的依据指导临床。两类算法各有优劣,神经网络更适合用于图像一类的矩阵数据。