随机森林模型和Logistic回归模型在高尿酸血症预测中的应用效果比较

发布时间：2022-02-20 08:32

　　目的比较随机森林模型和Logistic回归模型在体检人群高尿酸血症预测中的应用效果。方法选取2 754例体检个体作为研究对象,运用随机森林模型和Logistic回归模型建立高尿酸血症预测模型,采用受试者工作特征曲线下面积评价两种模型的预测效能。结果随机森林模型特征变量的重要性分析结果显示,排名前5位的变量依次是血肌酐、三酰甘油、腰围、体质指数、尿素氮;随机森林预测模型的曲线下面积为0.759（95%CI:0.746～0.772）,灵敏度为97.2%,特异度为54.5%。Logistic回归分析结果显示,性别、腰围、体质指数、三酰甘油、血肌酐是高尿酸血症发生的影响因素（均P<0.05）;Logistic回归预测模型的曲线下面积为0.658（95%CI:0.647～0.669）,灵敏度为87.7%,特异度为43.9%。随机森林预测模型曲线下面积优于Logistic回归模型（P<0.05）。结论 Logistic回归模型可直观解释变量对疾病发生的风险度;而随机森林模型对高尿酸血症预测效果较好,可获得各个因素的重要性评分,可以作为Logistic回归预测模型的补充。 

【文章来源】：广西医学. 2020,42(06)

【文章页数】：5 页

【文章目录】：
1 资料与方法
    1.1 临床资料
    1.2 高尿酸血症诊断标准
    1.3 调查内容
    1.4 统计学分析
        1.4.1 随机森林预测模型的建立:
        1.4.2 Logistic回归预测模型的建立:
        1.4.3 验证模型:
2 结 果
    2.1 高尿酸血症检出情况及单因素分析结果
    2.2 随机森林预测模型分析结果
    2.3 Logistic回归模型分析结果
    2.4 两种模型的预测效果比较
3 讨 论


【参考文献】：
期刊论文
[1]基于机器学习的医疗大数据分析与临床应用[J]. 孙涛,徐秀林.  软件导刊. 2019(11)
[2]机器学习随机森林算法的应用现状[J]. 杭琦,杨敬辉.  电子技术与软件工程. 2018(24)
[3]集成学习之随机森林算法综述[J]. 王奕森,夏树涛.  信息通信技术. 2018(01)
[4]高尿酸血症流行病学数据的变迁及反思[J]. 唐羽裳,刘宏,刘必成.  药品评价. 2015(07)
[5]随机森林的变量捕获方法在高维数据变量筛选中的应用[J]. 宋欠欠,李轶群,侯艳,李康.  中国卫生统计. 2015(01)
[6]高尿酸血症与肾损害[J]. 赵娟,张卓莉.  中国医学前沿杂志(电子版). 2014(10)
[7]从《高尿酸血症和痛风治疗中国专家共识》谈高尿酸血症的治疗[J]. 郭立新.  药品评价. 2014(01)
[8]随机森林模型在分类与回归分析中的应用[J]. 李欣海.  应用昆虫学报. 2013(04)
[9]使用随机森林判别分析法预测黑加仑油胶囊治疗高血脂的效果[J]. 范昕,赵桂新,孙萌,张涛.  中医药信息. 2012(04)
[10]基因表达数据判别分析的随机森林方法[J]. 武晓岩,李康.  中国卫生统计. 2006(06)



本文编号：3634665