极端梯度上升模型在预测临床重症手足口病中的应用价值

目的探讨极端梯度上升模型(XGBoost)和Logistic回归模型在临床重症手足口病(HFMD)预测中的应用对比。方法回顾性收集郑州市某医院2017年3月至11月期间住院部收治的HFMD患儿872例的临床资料,其中轻症488例,重症384例。使用R344软件进行所有资料的分析,分别构建XGBoost和Logistic回归模型,比较两种模型对重症HFMD的预测效果。结果在XGBoost模型中,输出变量重要性中前三位分别为:白细胞计数、年龄和心率,其对重症HFMD总体预测准确性为92.4%,ROC曲线下面积为0.952(95%CI:0.931~0.967)。Logistic回归模型总体预测准确性为801%,ROC曲线下面积为0.848(95%CI:0.833~0.866)。模型评估显示XGBoost模型的预测效果明显优于Logistic回归模型。结论XGBoost模型可以用于预测重症HFMD,相比于传统模型,具有较高的准确性和诊断价值。

基于XGBoost机器学习算法的肺结节浸润性预测模型构建与验证:一项双中心研究

目的采用XGBoost机器学习算法构建一个临床影像模型,预测肺结节病理浸润性,并在一个外部验证组中对模型进行泛化性验证。方法回顾性纳入CT诊断为孤立性肺结节患者248例,分别提取肺结节区域和结节周围3mm、5mm区域的放射组学特征。经过从粗到细的特征选择后,使用最小绝对收缩和选择算子(LASSO)方法计算Radscore。采用单因素和多因素Logistic回归分析筛选与肺结节浸润性相关的临床放射学因素。然后,利用Logistic和XGBoost算法构建临床-放射组学联合模型,在一个独立的外部验证组(n=147)中评估模型的泛化性能。结果综合Radscore、CT值、肺结节长度、月牙征的临床放射学XGBoost联合模型对肺结节浸润性的预测效果优于放射组学模型、临床放射学Logistic联合模型,在训练队列中的曲线下面积AUC为0.889(95%CI,0.848~0.927),在外部验证组中曲线下面积AUC为0.889(95%CI,0.823~0.942)。结论我们采用XGBoost机器学习算法构建了一种预测肺结节浸润性的临床放射学模型,结果显示出令人满意的预测效能,并在一个独立外部验证组中得到了良好的泛化性验证,可以帮助临床医生指导肺结节的诊疗并制定评估策略。

基于集成学习和近红外光谱的蓝莓贮藏品质检测方法研究

针对传统化学方法测定蓝莓贮藏品质存在工序复杂、成本高等问题,提出一种基于集成学习和近红外光谱技术的无损检测方法。以150个瑞卡蓝莓样本和30个绿宝石蓝莓样本为研究对象,利用近红外光谱仪采集不同贮藏时间的瑞卡蓝莓和不同成熟度的绿宝石蓝莓近红外反射光谱。利用光谱-理化值共生距离法(sample set partitioning based on joint X-Y distance,SPXY)将瑞卡蓝莓样本按照4∶1的数量比划分为训练集和验证集,绿宝石蓝莓样本为测试集,统一采用偏最小二乘法(partial least squares regression,PLSR)对比分析标准正态变换(standard normal variate transformation,SNV)、数据标准化(Z-score standardization,Z-score)、一阶导数(first derivative,1st-D)、二阶导数(second derivative,2nd-D)中一种或几种组合方法对原始光谱的预处理效果,使用竞争性自适应重加权采样法(competitive adaptive reweighted sampling,CARS)对蓝莓近红外光谱特征波长进行筛选,将支持向量回归(support vector regression,SVR)、极端梯度上升(extreme gradient boosting,XGBoost)和多层感知机(multilayer perceptron,MLP)作为基模型,采用Stacking集成策略,建立Stacking集成学习模型。将与蓝莓贮藏品质最为相关的维生素C、可溶性固形物(soluble solids content,SSC)和花青素作为标签,分别训练4种预测模型,其中Stacking集成模型最优,维生素C、SSC和花青素测试集相关系数R^(2)分别为0.8726、0.8814和0.9055,均方根误差(root mean square error,RMSE)分别为0.5664、0.6963和1.6939,相对分析误差(relative percent deviation,RPD)分别为2.8016、2.9037和3.253。结果表明,该文提出的Stacking集成学习模型融合SVR、XGBoost和MLP的优势,具有精度高,稳定性好,泛化能力强的特点,可为蓝莓无损检测研究提供新的思路。

基于XGBoost算法构建地屈孕酮治疗先兆流产效果模型的研究

目的采用极端梯度上升(XGBoost)算法构建地屈孕酮治疗先兆流产的有效性及安全性预测模型。方法选取2017年1月至2018年1月乐山市人民医院诊治的2811例先兆流产患者的临床资料作为研究对象。根据其临床资料建立地屈孕酮用药数据库,依据妊娠结局分为保胎成功组、保胎失败组,以及阿氏评分>7组、阿氏评分≤7组,利用XGBoost算法构建预测模型。结果地屈孕酮保胎成功率为79.97%,新生儿阿氏评分≤7的占比为1.14%。基于XGBoost算法建立的地屈孕酮治疗先兆流产有效性的全部变量预测模型准确率为0.990,F1值为0.975,受试者工作特征(ROC)曲线下面积(AUC)为0.993;安全性的全部变量预测模型准确率为0.986,F1值为0.000,AUC为0.609。结论基于XGBoost算法的地屈孕酮治疗先兆流产有效性的最终预测模型能准确可靠地预测地屈孕酮治疗先兆流产的有效性。

Logistic回归法和机器学习算法构建子痫前期预测模型的比较

目的利用医院电子病历系统首页信息和临床检验数据通过logistic回归(logistic regression,LR)法和机器学习算法构建子痫前期(preeclampsia,PE)预测模型,同时比较机器学习算法和LR构建模型的预测性能。方法基于2012年1月1日至2019年12月31日在广州医科大学附属第三医院就诊孕产妇的围产期数据和柔济妊娠检验数据库信息,根据临床诊疗指南和相关文献报道关联整合后选取数据量较为完整的孕24~28周共2736例孕妇的28项临床相关指标作为PE预测模型构建数据。将其中PE患者作为PE组(n=245),其余非PE患者中采用欠采样法选择255例为对照组。使用随机森林算法(random forest,RF)及极端梯度上升算法(eXtreme Gradient Boosting,XGB)和LR模型分别构建PE疾病预测模型。模型构建完成后,在2019年6月至2022年12月开展的PE前瞻性队列研究获得数据中(PE组38例,对照组80例),进行PE预测准确性的外部验证。采用准确度、灵敏度、特异度、受试者工作特征曲线下面积比较不同模型的预测效能。结果3种预测模型构建时纳入的指标提示,尿酸、肌酐、年龄、孕早期体重指数、尿素、甘油三酯、红细胞计数、嗜酸性粒细胞计数、总胆固醇、中性粒细胞计数、尿蛋白、丙氨酸氨基转移酶以及尿潜血是影响PE预测模型的指标。RF、XGB和LR模型在训练集和测试集中的受试者工作特征曲线下面积分别为0.851(95%CI:0.730~0.891)、0.955(95%CI:0.865~0.987)、0.884(95%CI:0.767~0.923)和0.845(95%CI:0.723~0.868)、0.907(95%CI:0.791~0.919)、0.851(95%CI:0.755~0.893)。在测试集中,RF、XGB和LR模型的准确度、灵敏度与特异度分别为0.803、0.607、0.958,0.864、0.790、0.927和0.832、0.661、0.971。在外部验证集中RF、XGB和LR预测模型的准确度分别为0.822、0.814和0.763;灵敏度分别为0.737、0.789和0.605;特异度分别为0.863、0.825和0.838,其中XGB模型的约登指数最高,为0.614。结论相对于传统的建模方法,利用机器学习算法可以在真实临床检测数据中建立更加有效的PE预测模型。

两种急性百草枯中毒死亡预测模型比较

目的比较Cox比例风险回归模型和极端梯度上升(XGBoost)模型对急性百草枯中毒(APP)死亡的预测效果。方法选择青岛市第八人民医院和山东省立医院于2018年1月1日―2020年12月1日收治的APP患者为研究对象,采用随机数表法分为训练组和验证组。分别建立Cox比例风险回归模型和XGBoost模型筛选APP患者死亡的预测因素。采用受试者工作特征曲线(ROC)分析两种模型的预测效能,采用Hosmer-Lemeshow检验评价两种模型的校准度。结果共纳入APP患者150例,训练组和验证组各75例,分别死亡52例和55例,占69.33%和73.33%。Cox比例风险回归模型结果显示,摄入百草枯剂量、服毒至就诊时间、首次灌流时间、首次呕吐时间、谷草转氨酶、谷丙转氨酶、血肌酐、尿素氮、白细胞、动脉血乳酸、肌酸激酶同工酶、血糖、血钙和血钾是APP患者死亡的独立预测因素(均P<0.05)。XGBoost模型结果显示,预测能力由强到弱的因素依次为服毒至就诊时间、首次呕吐时间、首次灌流时间、动脉血乳酸、白细胞、摄入百草枯剂量、血肌酐、血钾、血钙、肌酸激酶同工酶、血糖、谷草转氨酶、尿素氮和谷丙转氨酶。XGBoost模型预测APP患者死亡的AUC值为0.972,大于Cox比例风险回归模型的0.921(P<0.05)。Cox比例风险回归模型、XGBoost模型的预测结果与实际死亡情况的一致性均较好(P>0.05)。结论Cox比例风险回归模型和XGBoost模型筛选APP患者死亡的预测因素一致,但后者预测能力优于前者。

基于XGBoost算法的地屈孕酮用于治疗先兆流产的有效性及安全性研究

目的使用XGBoost算法构建地屈孕酮用于治疗先兆流产的有效性及安全性预测模型。方法选取本院2017年1月—2018年1月就诊的2811例先兆流产患者的临床资料,根据先兆流产患者的临床资料建立地屈孕酮用药数据库,依据妊娠结局分为保胎成功组和保胎失败组,阿氏评分>7组vs阿氏评分≤7组,利用XGBoost算法构建预测模型。结果地屈孕酮保胎成功率为79.97%,新生儿阿氏评分≤7的比率为1.14%。基于XGBoost算法建立的地屈孕酮用于治疗先兆流产有效性的全部变量预测模型准确率为0.990,F1值为0.975,AUC值为0.993;最终预测模型准确率为0.990,F1值为0.975,AUC值为0.995。基于XGBoost算法的地屈孕酮用于治疗先兆流产安全性的全部变量预测模型准确率为0.986,F1值为0.000,AUC值为0.609。结论基于XGBoost算法的地屈孕酮用于治疗先兆流产有效性的最终预测模型能准确可靠地预测地屈孕酮治疗先兆流产的有效性,且可推动地屈孕酮在临床更加规范、安全、有效的应用,还可为地屈孕酮的临床应用指南制定提供数据支持。基于XGBoost算法的地屈孕酮用于治疗先兆流产安全性的全部变量预测模型虽不能有效预测地屈孕酮对先兆流产的安全性,但最后筛选出的3个影响"阿氏评分≤7"的重要影响因子对于预测新生儿窒息情况仍有参考价值。