典型文献
基于机器学习算法的重症缺血性脑卒中早期死亡预测效果评价
文献摘要：
目的 评价支持向量机(SVM)、随机森林、极限梯度提升(XGBoost)3 种机器学习算法与logistic回归模型在重症缺血性脑卒中 30 d死亡结局预测中的效果.方法 使用 2008 年至 2019 年美国重症监护医学信息数据库Ⅳ(MIMIC-Ⅳ)中符合纳入标准的 2358 例重症缺血性脑卒中患者资料,分别用SVM、随机森林、XGBoost 3 种机器学习算法与logistic回归方法,结合合成少数过采样技术(SMOTE)建立早期死亡预测模型,并使用ROC曲线的AUC值、准确度、F1 分数、布里尔分数等指标评价模型的预测效果.结果 SVM、随机森林、XGBoost与logistic回归模型在原始不平衡数据集中预测早期死亡的AUC值分别为 0.78、0.81、0.84、0.83.应用SMOTE合成数据集后,SVM、随机森林、XGBoost与logistic回归模型的AUC值分别为 0.72、0.84、0.83、0.83.除SVM模型外,随机森林、XGBoost模型与logistic回归之间有相似的预测能力,但其准确度、布里尔分数均优于logistic回归模型,综合分类性能更优.结论 机器学习算法在缺血性脑卒中早期死亡预测中性能较传统logistic回归方法更优.
文献关键词：
重症缺血性脑卒中;早期死亡预测;机器学习;合成少数过采样技术
中图分类号：
作者姓名：
罗枭;程义;何倩;涂博祥;吴骋;贺佳
作者机构：
海军军医大学(第二军医大学)卫生勤务学系军队卫生统计学教研室,上海 200433
文献出处：
引用格式：
[1]罗枭;程义;何倩;涂博祥;吴骋;贺佳-.基于机器学习算法的重症缺血性脑卒中早期死亡预测效果评价)[J].海军军医大学学报,2022(12):1365-1371
A类：
早期死亡预测
B类：
基于机器学习,机器学习算法,重症缺血性脑卒中,极限梯度提升,XGBoost,logistic,结局预测,重症监护,医学信息,信息数据库,MIMIC,纳入标准,脑卒中患者,合合,合成少数过采样技术,SMOTE,布里,里尔,指标评价模型,不平衡数据集,合成数据集,预测能力,分类性能
AB值：
0.171718
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
