基于稀疏逻辑回归和多元融合算法的慢性肾病进展预测模型

只有一部分慢性肾病(Chronic Kidney Disease, CKD)3期的患者会进展到4期,观察临床数据发现进展和非进展患者部分生理指标有较大的区别。本文首次将基于L_(1/2)范数正则化的逻辑回归(Sparse Logistic Regression, SLR)用于筛选影响CKD患者进展的关键因素,然后利用SLR、支持向量机(SVM)、提升决策树(AdaBoost Decision Tree, BOOSTDT)建立进展风险预测模型。另外,本文引入堆叠算法Stacking(STKSSD)克服样本量不足使得模型泛化性能不稳定的缺陷。作为对比,本文分别利用神经网络(ANN)、循环神经网络(BLSTM)对数据建模。实验结果表明,当SLR算法选择磷、血清肌酐等11个关键特征时, STKSSD融合模型效果最好,其中测试查全率、查准率、F1值分别为86.97%、92.86%和89.82%。