基于极端梯度提升算法的高血压识别模型建立

作者：凡如; 许碧云; 焦志刚; 臧一腾; 陈思臻; 陈炳为^*; 周卫红^*

来源：中国卫生统计, 2023, 40(01): 74-77.

• 极端梯度提升
• 高血压
• 机器学习
• 分类模型

目的 探索基于极端梯度提升(extreme gradient boosting, XGBoost)算法构建的高血压识别模型性能。方法 本研究收集了2020年1月至12月南京大学附属鼓楼医院健康管理中心健康体检人群中1577位高血压确诊患者和3754位同期健康对照的相关数据，采用单因素分析对高血压影响因素进行筛选，基于XGBoost算法和自适应增强(AdaBoost)算法构建高血压识别模型，采用留出法验证模型泛化性能，灵敏度、特异度、阳性预测值、准确度、G-mean、F-measure、马修斯相关系数(MCC)和受试者特征曲线下面积综合评价和比较模型性能。结果 XGBoost模型灵敏度(90.3%)、特异度(86.8%)、阳性预测值(87.3%)、准确度(88.6%)、G-mean(0.886)、F-measure(0.888)、MCC(0.772)和受试者工作特征曲线下面积(0.954)表明其具有更好的识别高血压患者的能力。结论 XGBoost算法对识别高血压患者具有较强的实用性和可行性，为未来类似研究提供一定的模型选择参考。

• 单位
  公共卫生学院; 东南大学; 南京大学医学院附属鼓楼医院