基于机器学习煤矿工人肺通气功能障碍风险预测研究

目的研究煤矿工人肺通气功能障碍的影响因素,通过机器学习算法构建矿工肺通气功能障碍发生的风险预测模型,为尽早识别肺通气功能障碍的高危人群、保护矿工健康状况提供重要的科学依据。方法选取2021年4月20日―5月3日在陕北某煤矿参加职业健康体检的679名矿工作为研究对象。通过非条件多因素logistic回归分析模型分析结果确定变量,构建逻辑回归(logistic regression,LR)、随机森林(random forest,RF)、支持向量机(support vector machines,SVM)和极端梯度提升树(extreme gradient boosting,XGBoost)模型并根据4种模型的准确度、灵敏度、特异性、阳性预测值、阴性预测值、F1评分、受试者工作特征曲线(receiver operating characteristic,ROC)下面积评估模型的性能。结果LR、RF、SVM和XGBoost模型的准确率分别为69.61%、70.59%、72.06%和75.49%。灵敏度分别为61.22%、58.16%、60.20%和64.29%。特异性分别为77.36%、82.08%、83.02%和85.85%。阳性预测值分别为71.42%、75.00%、76.62%和80.77%。阴性预测值分别为68.33%、67.97%、69.29%和72.22%。F1分数为0.66、0.66、0.67和0.72。ROC曲线下面积分别为0.78、0.78、0.78和0.81。XGBoost模型的预测性能优于其他模型,预测精度较高。结论运用XGBoost模型预测煤矿工人的肺通气功能障碍风险,为煤矿工人的健康管理提供相应的理论依据。