影响大学生学业成绩的多维因素探究——基于可解释的机器学习模型

在机器学习模型基础上加入SHAP解释方法,对影响大学生学业成绩的潜在因素进行深入研究,兼顾实际情境中预测准确性和指标可解释的要求。研究结果表明,大学生的个人因素和学校教育因素对其学业成绩影响较大,家庭因素对其学业成绩影响相对较小。从基于GBDT模型的SHAP结果可以看出,大学生的性别、年龄、是否有额外工作、是否有伴侣、上课是否听讲对其学业成绩都具有显著的影响。学校应从疏导大学生克服失败焦虑、引导其树立正确的恋爱观、帮助其树立终身学习理念、关注其实践创新能力四个维度对大学生提前进行干预,有针对性地提升其学业成绩。

基于机器学习的本科学生成绩预测与分层教学方法研究

机器学习作为人工智能领域的重要研究方向,如何将机器学习模型有效地与实际教育工作结合,以发挥其在教育场景下的实际价值成为一个重要问题。研究通过机器学习模型预测本科学生的学习成绩,并根据预测结果对学生进行多层次划分,进而实施分层教学,以便教育工作者调整课程内容和教学策略,为学生提供个性化指导。该方法不仅为传统教学方法注入了新的活力,还有助于提高学生的学习成绩和学习兴趣。

机器学习算法构建慢性肾脏病伴高血压或糖尿病的预测模型

目的构建社区高血压、糖尿病患者中慢性肾脏病(CKD)早期预测模型。方法群随机抽样昆明市4个城区的社区服务中心。对各中心建档居民分为疾病组(n=1267)和对照组(n=566),疾病组居民患有高血压和或糖尿病,对照组未患。分别调查2组CKD患病情况并进行问卷调查、实验室检查和人浆细胞瘤变异易位基因(PVT1)基因中5个单核苷酸多态位点等检测。Logistics回归筛选有统计学意义的危险因素纳入机器学习模型构建。算法模型包括支持向量机(SVM)、随机森林模型(RF),朴素贝叶斯(NB)模型和人工神经网络(ANN),并对比评价4个模型的效能和准确性进行比较分析。结果筛选出13项具有统计学意义的指标(P<0.05),包括年龄、疾病类型、民族、血尿素氮、血肌酐、eGFR、PAM13量表分数、睡眠质量调查、熬夜情况、PVT1基因单核苷酸多态位点rs11993333及rs2720659。基于危险指标建立机器学习算法模型。ANN模型的准确度达94.6%、特异性为66.67%、Kappa值为0.7294、ROC和PRC曲线下面积(0.9418和0.9261)均高于其它3种模型;RF模型敏感性最高位100%。结论机器学习算法构建的CKD早期诊断模型在社区高血压或糖尿病患者中有较好的预测效能。尤其ANN模型各项性能优于其它。

基于SMOTE的神经外科患者输血机器学习预测模型建立

目的:采用过采样-机器学习算法的神经外科患者输血预测模型建立,指导临床用血决策。方法:选取2015年1月—2018年12月南昌大学第一附属医院收治的9006例神经外科手术患者为研究对象。通过缺失值、异常值处理及特征筛选共纳入27个特征,采用合成少数过采样算法(SMOTE)包括Borderline-SMOTE、SVM-SMOTE对逻辑回归、随机森林、XGboost和LightGBM模型4种机器学习算法的优化升级,以探索最佳神经外科患者输血预测模型。结果:未使用过采样方法前的4种模型预测结果显示lightGBM模型效果最佳,随机森林模型效果最差,F1-score值仅为0.6592。采用2种过采样方法对4种模型进行3种比例的过采样比较,结果显示过采样后4种模型观测均有明显提升。在模拟比例相同模型中Borderline-SMOTE对逻辑回归、XGBoost模型提升最大;SVM-SMOTE对随机森林、lightGBM提升最大;过采样后仍是lightGBM模型效果最佳,F1-score值可达到0.9248。结论:过采样算法可有效提升现有不平衡数据的机器学习模型预测效果,SVM-SMOTE和lightGBM的模型在神经外科手术患者临床用血中的预测效果较好。

基于可解释机器学习构建脑卒中患者日常生活自理能力风险预测模型

目的:利用机器学习算法预测影响脑卒中患者日常生活自理能力(activities of daily living,ADL)的风险因素,为其ADL管理决策提供参考。方法:对2015年1月—2019年2月在南京医科大学附属第一医院康复医学中心治疗的423例脑卒中患者进行回顾性分析。根据Barthel指数(Barthel index,BI)评定量表,将患者分为ADL较好组(BI≥60分)和ADL较差组(BI<60分),并进行数据预处理。采用共线性诊断及最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)筛选特征变量。选择逻辑回归、支持向量机、随机森林(random forest,RF)、极限梯度提升及K最近邻5种机器学习算法进行预测建模,十倍交叉验证后,使用受试者工作特征曲线、受试者工作特征曲线下面积(area under curve,AUC)、精确召回率曲线、精确召回率曲线下的面积(area under the precision recall curve,PRAUC)、准确率、灵敏度、特异度分别对模型进行综合评估,引入Shapley加性解释(Shapley additive explanation,SHAP)对最优机器学习模型进行可解释化处理。结果:经LASSO回归分析后,确定16个特征变量用于构建机器学习模型。RF模型具有最高的AUC(0.74)、PRAUC(0.64)、准确率(0.97)、灵敏度(0.75)和特异度(0.97)。SHAP模型解释性分析显示,对ADL贡献度前5的特征中,Brunnstrom分期(下肢)的影响最为显著,其次是Brunnstrom分期(上肢)、D-二聚体、血清白蛋白水平及年龄。结论:RF模型预测脑卒中患者ADL的效能最优,为脑卒中患者ADL管理决策提供了有价值的参考。

基于机器学习的纳滤膜预测筛选模型构建与评估

纳滤净水技术是应对水资源危机和水质安全保障的核心技术之一。然而,纳滤膜性能长期受渗透性与选择性制约,亟需开发高性能纳滤膜。纳滤膜制备过程涉及水相单体质量分数、水相添加剂质量分数、油相单体质量分数、聚合时间等因素,传统的试误实验法需消耗大量的人力、物力与财力。依据纳滤膜制备参数,构建基于机器学习的纳滤膜预测筛选模型。结果表明,XGBoost机器学习模型可有效预测纳滤膜纯水通量与截留性能,对纯水通量和截留性能的R~2评价指标分别为0.84和0.90。采用SHAP值法对XGBoost机器学习模型中的输入参数进行量化分析,发现水相单体质量分数与基膜类型对纯水通量有最高的绝对平均SHAP值,分别为2.77与2.59,而面向纳滤膜截留性能的关键参数绝对平均SHAP值相对接近。单体子结构特征分析结果显示,亲水性子结构特征与支链型子结构特征有助于提升纳滤膜纯水通量,胺基则促进纳滤膜的截留性能。构建的纳滤膜预测筛选模型有助于关键参数的识别与优化,为纳滤膜的开发提供理论与技术指导。

非小细胞肺癌患者预后生存时间范围的机器学习预测模型研究

目的:开发并验证一种基于CT影像组学及形态学特征对非小细胞肺癌患者预后生存时间范围进行预测的机器学习分类模型。方法:在癌症影像数据库(TCIA)中下载lung1数据集,选取符合条件的243例周围型非小细胞肺癌患者,根据截止生存时间将患者分为两组(1组为生存期≤3年,2组为生存期>3年)。在每个病灶中提取1037个影像组学特征,采用最小绝对收缩和选择算子(LASSO)算法进行特征筛选。记录每个病灶的形态学特征,运用t检验和卡方检验进行筛选。将两者结合起来,运用Logistic回归、随机森林、AdaBoost、高斯朴素贝叶斯、神经网络这5种机器学习分类方法建立预测模型,采用受试者工作特征(ROC)曲线评价5种预测模型的效能,并选出最优模型。最后使用广州中医院大学第一附属医院搜集的77例患者数据进行外部验证。结果:高斯朴素贝叶斯分类预测模型是本研究中最好的模型,稳定性相对较好,在所有模型中,运用此模型的AUC值在训练集和验证集中均较高。经过外部验证,该模型在训练集的AUC值为0.735,敏感度为0.685,特异度为0.700;测试集AUC值为0.771,敏感度为0.571,特异度为0.898。结论:CT影像组学结合形态学特征的机器学习分类模型能较准确地对NSCLC患者的预后生存时间范围进行预测。

基于机器学习的创伤伤员检伤分类预测模型构建及验证

背景创伤现场批量伤员的检伤分类是现场急救中的关键环节,探索如何更加高效准确地对伤员进行检伤分类具有重要意义。目的基于生命体征数据和机器学习算法建立并验证创伤伤员检伤分类预测模型。方法回顾性分析美国创伤数据库2017—2019年的院前急救创伤伤员数据,采用支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、梯度提升决策树(gradient boosting decision tree,GBDT)、极端梯度提升(eXtreme gradient boosting,XGBoost)和多层感知机(multi-layer perceptron,MLP)5种机器学习算法开发创伤伤员检伤分类预测模型并验证。采用准确率、精准度、召回率、F1值和AUC值(ROC曲线下面积)进行结果评价,使用ROC曲线进行可视化,并在解放军总医院第一医学中心急诊创伤数据集中对最优模型结果进行验证。结果共选取伤员数据24948例,基于ISS分级标准分为轻伤9496例,中等伤9532例,重伤5496例,危重伤424例。ROC曲线分析显示,相较于其他四种模型,GBDT算法预测上述ISS分级的效能最好,准确率为82.63%,精确度为68.21%,召回率为60.92%,F1值为61.91%,AUC为90.38%。在解放军总医院第一医学中心急诊创伤数据集中验证GBDT模型,准确率为83.15%,精确度为77.38%,召回率为59.89%,F1值为55.26%,AUC为90.38%。结论本研究成功开发并验证了一组检伤分类机器学习预测模型,未来可应用于创伤伤员现场检伤分类辅助决策。

基于机器学习的术后患者谵妄风险预测模型研究进展

术后谵妄(postoperative delirium,POD)是手术患者常见的一种认知功能障碍,不仅会延长患者的住院时间,还会增加住院费用和死亡风险。随着现代医疗科技的发展,机器学习(machine learning,ML)技术为预测术后谵妄的风险提供了有效手段。本文通过对国内外基于机器学习算法的术后患者谵妄风险预测模型的研究进展及其存在的局限性进行综述,旨在为临床实践提供有价值的依据,同时也为未来的相关研究提供参考。

基于机器学习和解释模型的类风湿性关节炎合并骨质疏松症患者预后预测

目的 探讨机器学习和解释模型在类风湿性关节炎合并骨质疏松症患者预后预测中的应用价值。方法 选取2021年6月至2023年7月新疆维吾尔自治区维吾尔医医院收治的类风湿性关节炎合并骨质疏松症患者194例,按预后情况将其分为预后不良组(46例)和预后良好组(148例),通过两组临床资料的差异构建随机森林、支持向量机、朴素贝叶斯、BP神经网络、XGBoost预测模型,同时采用多因素logistic回归模型分析患者预后的影响因素。通过受试者操作特征(ROC)曲线及PR曲线筛选出最佳预测模型后,采用SHAP解释模型对其进行特征解释,并随机抽取1例患者进行模型评估。结果 两组年龄、吸烟史、职业、类风湿因子、抗链球菌溶血素、Ig M、红细胞沉降率、谷草转氨酶、热盐包治疗、针灸治疗、推拿治疗、骨质疏松仪治疗、关节功能状态分期、患者健康评定量表评分、视觉模拟评分法评分比较,差异有统计学意义(P<0.05)。多因素分析结果显示,年龄(OR=1.066,95%CI:1.021~1.113)、职业(OR=16.711,95%CI:5.499~50.787)、骨质疏松仪使用情况(OR=6.836,95%CI:2.362~19.782)、关节功能状态分期(OR=2.756,95%CI:1.388~5.474)、患者健康评定量表评分(OR=6.287,95%CI:2.514~15.718)是类风湿性关节炎合并骨质疏松症患者预后不良的独立影响因素(P<0.05)。ROC及PR曲线结果显示,随机森林预测模型性能最好,可信性最高。SHAP解释模型显示,类风湿因子水平、患者健康评定量表评分、职业等均为类风湿性关节炎合并骨质疏松症患者预后不良的影响因素。患者模型评估结果显示,类风湿因子水平、职业、患者健康评定量表评分、年龄、是否推拿治疗为该例患者预后的主要影响因素。结论 基于机器学习的预后预测模型可预测类风湿性关节炎合并骨质疏松症患者的预后情况,可针对相关因素进行预防和规范性治疗,减少不良预后发生。

基于机器学习算法的胃癌淋巴结转移预测模型研究

目的基于4种机器学习(ML)算法构建胃癌淋巴结转移的预测模型并验证。方法回顾性收集531例胃癌根治术患者的临床资料,按3∶1比例将患者随机分为训练集399例和测试集132例。通过单因素分析筛选胃癌淋巴结转移的特征选择变量,分别建立逻辑回归、随机森林、K-邻近算法、支持向量机算法模型并进行变量重要性排序。将所有ML算法模型在测试集中进行验证,绘制受试者工作特征(ROC)曲线,基于曲线下面积(AUC)、灵敏度、特异度、准确度确定最优ML算法模型。基于最优ML算法模型的变量重要性排序构建列线图模型,通过ROC曲线、校准曲线、决策曲线评价列线图模型的区分能力、校准能力和临床适用性。结果4种ML算法模型比较结果显示,随机森林模型为最优算法模型,其在训练集中的准确度、灵敏度、特异度分别为72.7%、69.9%、75.0%,AUC为0.803,其在测试集中的准确度、灵敏度、特异度分别为64.4%、66.7%、62.5%,AUC为0.751。基于随机森林算法模型的变量构建列线图模型,ROC曲线显示列线图模型在训练集、测试集中的AUC分别为0.721、0.776,校准曲线和决策曲线显示列线图模型在训练集与测试集中均有较好的校准能力和临床适用性。结论随机森林模型是4种ML算法模型中的最优算法模型,基于随机森林模型构建的列线图模型能够较准确地预测胃癌淋巴结转移风险,从而更好地指导临床诊断和治疗决策。

基于机器学习的砂土邓肯-张模型参数预测

为了给砂土邓肯-张模型参数的确定提供一种不做三轴试验条件下的获取途径,以大量的砂土三轴试验数据为基础,利用机器学习算法(支持向量机),用平均粒径、不均匀系数、曲率系数、相对密实度、干密度等较容易测得的基本物理参数作为输入值,以邓肯-张本构模型参数作为输出值,建立砂土本构参数的预测模型。从输入参数与输出参数的相关性看,输入参数中的干密度对输出参数影响最大;从不同核函数对支持向量机(SVM)预测效果的影响看,RBF核函数预测效果最好;在此基础上,预测邓肯-张本构模型参数。利用建立的参数预测模型,只需进行简单的室内物理性质试验获得基本物理性质参数,即可推定用于工程数值计算的邓肯-张模型参数,提高工程分析的效率和准确性,也可以用于判断室内三轴试验结果的正确性等。

基于机器学习构建急性心力衰竭患者易损期死亡或再入院风险预测模型

目的应用不同机器学习算法构建急性心力衰竭(acute heart failure,AHF)患者易损期死亡或再入院的风险预测模型,并筛选出最优模型。方法选取2019年10月至2021年7月于陆军军医大学第二附属医院心血管内科住院治疗的651例AHF患者为研究对象,收集入院生命体征、合并症和实验室检查结果等临床资料。复合终点事件定义为AHF患者出院后3个月内发生全因死亡或心衰加重再入院。采用简单随机抽样法将研究对象按8∶2拆分为训练集(521例)和测试集(130例),基于逻辑回归(logistic regression,LR)、随机森林(random forest,RF)、决策树(decision tree,DT)、轻量梯度提升(light gradient boosting machine,LGBM)、极端梯度提升(extreme gradient boosting,XGBoost)和神经网络(neural network,NN)6种机器学习算法分别构建预测模型。采用受试者工作特征曲线(receiver operating characteristic,ROC)和临床决策曲线(decision curve analysis,DCA)对模型的预测性能和临床获益进行评价,使用Shapley加性解释(Shapley additive explanation,SHAP)算法评估不同临床特征对模型的影响。结果651例AHF患者中发生复合终点事件203例(31.2%)。ROC曲线分析显示,LR、RF、DT、LGBM、XGBoost和NN模型的曲线下面积(area under curve,AUC)依次为0.707、0.756、0.616、0.677、0.768、0.681,XGBoost模型的AUC最高,DCA曲线中XGBoost模型的临床决策净获益也更大,整体预测效能最佳。SHAP算法分析得出,影响XGBoost模型输出结果的重要临床特征分别为血清尿酸、D-二聚体、平均动脉压、B型利钠肽、左房前后径、体质量指数和NYHA分级。结论XGBoost模型预测急性心力衰竭患者易损期死亡或再入院风险效果最佳。

基于机器学习的老年慢性心力衰竭病人衰弱风险预测模型的构建

目的:基于机器学习算法构建老年慢性心力衰竭(CHF)病人衰弱风险预测模型,为临床老年CHF病人衰弱发生的精准预测提供新方法。方法:收集2023年1月—5月乌鲁木齐市某三级甲等医院心血管内科的CHF病人相关临床资料,按7∶3比例随机划分为训练集和测试集,以是否发生衰弱为结局变量,分别基于逻辑回归(LR)、决策树(DT)、随机森林(RF)、支持向量机(SVM)4种机器学习算法构建衰弱风险预测模型。基于受试者工作特征曲线下面积(AUC)、准确度、精确度、灵敏度、特异度、F1分数评估模型性能,选出最优模型。结果:共纳入423例CHF病人,其中182例病人发生衰弱,衰弱发生率为43%。4种预测模型都有较高的准确性,LR、DT、SVM、RF模型的AUC值分别为0.917,0.863,0.941,0.952,其中RF模型AUC值、准确度、精确度、灵敏度、特异度、F1分数均最高。进一步基于RF模型对特征变量进行重要性排序,其中排名前5位的特征变量依次为血红蛋白、白细胞介素⁃6、白蛋白、营养不良、查尔森合并症指数(CCI)。结论:基于RF机器学习算法构建的老年CHF病人衰弱风险预测模型性能最优,有助于临床早期评估和预防其衰弱风险的发生。

基于机器学习对2型糖尿病肾病预测模型的构建及验证

目的寻找2型糖尿病(T2DM)患者糖尿病肾病(DKD)的独立预测因子,构建DKD发病风险的最佳机器学习(ML)模型并进行验证。方法以2019年10月—2020年9月于承德市中心医院内分泌科住院治疗的528例T2DM患者为研究对象,随机分为训练集(370例)和验证集(158例),训练集依据是否合并DKD分为DKD组(89例)和非DKD组(281例)。单因素分析患者的一般资料和辅助检查,将其中有意义的变量通过最小绝对收缩和选择算法(LASSO)回归筛选最佳预测因子,将LASSO回归筛选出的最佳预测因子通过Logistc回归(LR)、K近邻(KNN)、支持向量机(SVM)、决策树(DT)、随机森林(RF)、朴素贝叶斯(NB)、人工神经网络(ANN)和极致梯度提升(XGBoost)8种ML算法,经3重交叉验证建立预测模型,通过比较受试者工作特征(ROC)曲线、Delong检验、GiViTI校准曲线选择最佳预测模型。采用决策曲线分析(DCA)评估模型的临床实用性。结果年龄、丙氨酸转氨酶(ALT)、肌酐(Cr)、甘油三酯(TG)、胱抑素C(Cys-C)、25羟基维生素D[25(OH)D]、单核细胞计数(Mon)是DKD的独立预测因子。8种ML模型中,ANN模型表现最佳。GiViTI校准曲线提示模型具有较好的准确度(P>0.05),决策曲线显示预测模型曲线在0.027~0.612的阈值概率区间具有临床实用价值。结论本研究构建的预测DKD发生风险的ANN模型有助于早期识别DKD的高危T2DM患者。

基于3种机器学习算法构建宫颈癌术后尿潴留风险预测模型

目的:运用决策树、逻辑回归和支持向量机构建宫颈癌根治性切除术后尿潴留风险预测模型并比较性能,为评估及预防宫颈癌术后尿潴留提供参考依据。方法:回顾性收集459例宫颈癌根治性切除术病人的临床资料,采用决策树、支持向量机和逻辑回归3种机器学习方法构建宫颈癌根治性切除术后尿潴留风险预测模型,采用准确性、召回率、精确率、F1指数和受试者工作特征(ROC)曲线下面积(AUC)评价模型性能。结果:共纳入病人的年龄、疾病分期、体质指数等8个变量。选择80%的数据集(367例)作为训练集,20%的数据集(92例)作为验证集,结果显示,决策树在训练集和验证集中准确率、召回率、精确率、F1指数和AUC都比支持向量机和逻辑回归更优,说明决策树在构建宫颈癌术后尿潴留风险预测模型中具有较高的准确率及较好的泛化性能;支持向量机在训练集中准确率、召回率、精确率、F1指数和AUC都比逻辑回归更优。同时,在验证集中,支持向量机的召回率和F1指数比逻辑回归更优,但是支持向量机的准确率、精确率和AUC却比逻辑回归差,说明支持向量机在宫颈癌术后尿潴留数据集中的泛化能力比逻辑回归差。结论:决策树在构建宫颈癌根治性切除术后尿潴留风险预测模型中具有较高的性能及较好的泛化能力,可为相关临床决策提供指导建议。

机器学习在院内心脏骤停及其预后预测模型中的应用进展

心脏骤停是全球性严重健康负担问题,及时识别心脏骤停并快速启动心肺复苏对改善患者的预后具有积极作用。机器学习在院内心脏骤停及预后预测方面,取得了一些突破性进展。本文回顾了近年来机器学习在院内心脏骤停及其预后预测方面的相关文献,并对其展开总结,以期为心脏骤停相关研究方向提供新思路。

基于机器学习的[⻊母]外翻术后复发预测模型

目的本研究采用常见的机器学习算法,基于[⻊母]外翻(hallux valgus,HV)患者的术前负重位及术后即刻非负重位X线片测量指标,构建[⻊母]外翻术后复发预测模型,为临床早期识别[⻊母]外翻复发患者提供客观、精准的临床决策辅助系统。方法回顾性纳入天津医科大学总医院的172例HV患者,共包括230只接受远端截骨矫形及软组织手术的HV足。收集患足术前的负重位及术后非负重位X线片,并基于X线片获得足部各解剖参数。同时根据手术后6个月患足[⻊母]外翻角是否大于20°来判断其是否存在复发。之后将足部各解剖参数作为特征训练机器学习模型,并预测HV足是否出现复发,模型训练及测试采用10折交叉验证法以获得各模型的预测效能。为了进一步提高机器学习模型预测精度,在进行机器学习模型训练之前,首先采用K-means聚类将训练样本划分为两个亚型,对每个亚型分别训练机器学习模型。对于测试样本,首先根据其与两个亚型中心的距离判断其归属类别,再进一步采用相应模型进行预测,且同时采用10折交叉验证法来获得机器模型预测效能。结果机器学习能较好地预测[⻊母]外翻的术后复发,且通过K-means聚类划分亚型后构建机器学习模型,能够有效提高预测精度。结论采用机器学习模型能够准确预测[⻊母]外翻术后复发情况,为开发[⻊母]外翻术后复发的临床预测模型提供了新的思路。

基于改进支持向量回归模型的高校学生成绩预测研究

为提高学生成绩预测的准确性,考虑到学生学习行为特征数据的高维和非线性特征,提出了一种基于改进支持向量回归模型的高校学生成绩预测。对支持向量回归(SVR)模型的核函数进行了改进;设计了变邻域搜索算法(VNS)对改进支持向量回归模型的参数进行了优化;将上述方法应用于某高校学生数学成绩数据,并与原始SVR和基于其他智能优化方法的SVR进行了对比,验证了所提方法的有效性。

基于自动化机器学习建立结肠镜肠道准备失败风险预测模型及评价

目的 鉴于机器学习(ML)在医学模型中的广泛应用,以及其出色的学习和泛化特性,该研究采用自动化机器学习(AutoML)结合患者一般资料和临床状况,早期评估结肠镜前肠道准备的失败风险。方法 回顾性分析2022年1月-2023年1月在该院接受结肠镜检查的患者的临床资料。波士顿肠道准备评分(BBPS)≤5分被定义为肠道准备失败,> 5分为合格。将患者按8∶2的比例随机划分了训练集(n=303)和验证集(n=76)。采用最小绝对收缩和选择算子(LASSO)逻辑回归(LR)模型进行特征选择,构建列线图评分系统,并使用基于5种算法的AutoML建立模型。模型性能通过受试者操作特征曲线(ROC curve)、校准曲线、基于LR (Lasso回归)的决策曲线分析(DCA)、SHAP图和力图进行评估。结果 在379例患者中,105例(27.7%)肠道准备失败(BBPS≤5分)。21个研究变量在经LASSO 5折交叉验证后,获得10个变量,并构建了一款列线图评分系统,通过校正曲线表明了LASSO模型的可靠性。使用H2O平台和5种算法[梯度提升机(GBM)、深度学习(DL)、广义线性模型(GLM)、堆叠集成(Stacked Ensemble)和分布式随机森林(DRF)]开发了67个模型。经比较,Stacked Ensemble表现最佳,其曲线下面积(AUC)为0.871,对数损失值(LogLoss)为0.403,均方根误差(RMSE)为0.354,优于其他模型和传统的LR模型。变量重要性贡献图显示,服完泻药至检查间隔时间、便秘、是否完整服完泻药、年龄和家属陪同等因素对肠道准备失败的预测有重要影响。最后,SHAP图和力图揭示了变量在二分类预测结果中的分布特征,以及各变量对预测结果的影响。结论 基于Stacked Ensemble算法的AutoML模型,对肠道准备失败风险的早期预测有明显的临床实用性。同时,该研究构建了一款可供临床使用的列线图评分工具。