五种机器学习模型预测颈动脉粥样硬化患者发生缺血性脑卒中的效能比较

作者：张红珍; 杨少玲^*; 赫兰; 林文华; 顾家红; 赵坤; 胡静; 彭媛媛

来源：右江医学, 2023, 51(11): 972-979.

• 机器学习
• 颈动脉粥样硬化
• 缺血性脑卒中
• 风险预测

目的 比较logistics分类(LR)、高斯朴素贝叶斯分类(GNB)、补充朴素贝叶斯分类(CNB)、支持向量机(SVM)和k近邻分类(KNN)五种机器学习(machinelearning, ML)模型预测颈动脉粥样硬化患者发生缺血性脑卒中的效能。方法 选取2021年3月1日—11月30日上海市第八人民医院神经内科住院的101例颈动脉粥样硬化患者为研究对象，收集患者基线资料、实验室检查及颈动脉超声检查资料，将数据集按8∶2的比例拆分为训练集和测试集，logistic回归确定模型预测变量，应用5倍重采样技术，测试不同机器学习模型的预测性能，使用准确度、灵敏度、特异度和ROC曲线下面积(AUC)等指标综合比较五种ML模型的预测效能。结果 五种预测模型的准确度62.2%～83.0%、灵敏度62.5%～83.6%、特异度77.4%～100.0%、AUC 0.629～0.936,其中GNB模型的准确度83.0%、特异度100.0%、AUC 0.936较高，与其他模型比较差异有统计学意义(P<0.05)。结论 五种模型均可用于预测颈动脉粥样硬化患者发生缺血性脑卒中的风险，其中GNB模型预测效能最佳。

• 单位
  安徽理工大学; 上海市第八人民医院