基于随机森林的冠状动脉狭窄风险识别模型
目的采用机器学习方法构建冠状动脉狭窄风险识别模型，分析影响冠状动脉狭窄的主要因素。方法连续纳入2013年1月至2020年5月就诊于山西省两所医院，经冠状动脉造影确诊为冠心病的患者。以患者临床资料为自变量，Gensini积分为结局变量，采用Logistic回归、反向传播神经网络（BPNN）和随机森林（RF）算法构建冠状动脉狭窄风险识别模型。通过灵敏度（TPR）、特异度（TNR）、准确率（ACC）、阳性预测值（PV+）、阴性预测值（PV-）、受试者工作特征曲线下面积（AUC）和校准曲线进行模型评价。并对最佳模型进行特征重要性排序。结果Logistic回归、反向传播神经网络和随机森林模型的TPR分别...
Saved in:
| Main Authors: | , , , , , |
|---|---|
| Format: | Article |
| Language: | zho |
| Published: |
Editorial Office of Journal of Sun Yat-sen University
2025-01-01
|
| Series: | Zhongshan Daxue xuebao. Yixue kexue ban |
| Subjects: | |
| Online Access: | http://xuebaoyx.sysu.edu.cn/zh/article/doi/10.13471/j.cnki.j.sun.yat-sen.univ（med.sci）.2025.0116/ |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1823864860528607232 |
|---|---|
| author | 吕勇峰 王钰婧 张乐怡 李一心 原娜 田晶 |
| author_facet | 吕勇峰 王钰婧 张乐怡 李一心 原娜 田晶 |
| author_sort | 吕勇峰 |
| collection | DOAJ |
| description | 目的采用机器学习方法构建冠状动脉狭窄风险识别模型，分析影响冠状动脉狭窄的主要因素。方法连续纳入2013年1月至2020年5月就诊于山西省两所医院，经冠状动脉造影确诊为冠心病的患者。以患者临床资料为自变量，Gensini积分为结局变量，采用Logistic回归、反向传播神经网络（BPNN）和随机森林（RF）算法构建冠状动脉狭窄风险识别模型。通过灵敏度（TPR）、特异度（TNR）、准确率（ACC）、阳性预测值（PV+）、阴性预测值（PV-）、受试者工作特征曲线下面积（AUC）和校准曲线进行模型评价。并对最佳模型进行特征重要性排序。结果Logistic回归、反向传播神经网络和随机森林模型的TPR分别为75.76%、74.30%和93.70%，ACC分别为74.05%、72.30%和79.49%，AUC分别为0.739 9、0.723 1、0.752 2，随机森林模型综合效能表现最佳。随机森林模型结果表明，胸痛症状、心电图提示ST段异常、室性早搏、合并高血压、房颤、心脏彩超提示节段性室壁运动异常、主动脉瓣关闭不全、肺动脉瓣关闭不全、心血管疾病家族史、体质量指数是冠脉狭窄的前10位重要变量。结论在识别冠状动脉狭窄方面，随机森林模型表现出最佳的综合性能，可较为准确地评估冠脉狭窄的程度，为临床干预提供科学依据。 |
| format | Article |
| id | doaj-art-5d99804fcb0442009315b7752464679c |
| institution | Kabale University |
| issn | 1672-3554 |
| language | zho |
| publishDate | 2025-01-01 |
| publisher | Editorial Office of Journal of Sun Yat-sen University |
| record_format | Article |
| series | Zhongshan Daxue xuebao. Yixue kexue ban |
| spelling | doaj-art-5d99804fcb0442009315b7752464679c2025-02-08T19:00:14ZzhoEditorial Office of Journal of Sun Yat-sen UniversityZhongshan Daxue xuebao. Yixue kexue ban1672-35542025-01-014613814680894399基于随机森林的冠状动脉狭窄风险识别模型吕勇峰王钰婧张乐怡李一心原娜田晶目的采用机器学习方法构建冠状动脉狭窄风险识别模型，分析影响冠状动脉狭窄的主要因素。方法连续纳入2013年1月至2020年5月就诊于山西省两所医院，经冠状动脉造影确诊为冠心病的患者。以患者临床资料为自变量，Gensini积分为结局变量，采用Logistic回归、反向传播神经网络（BPNN）和随机森林（RF）算法构建冠状动脉狭窄风险识别模型。通过灵敏度（TPR）、特异度（TNR）、准确率（ACC）、阳性预测值（PV+）、阴性预测值（PV-）、受试者工作特征曲线下面积（AUC）和校准曲线进行模型评价。并对最佳模型进行特征重要性排序。结果Logistic回归、反向传播神经网络和随机森林模型的TPR分别为75.76%、74.30%和93.70%，ACC分别为74.05%、72.30%和79.49%，AUC分别为0.739 9、0.723 1、0.752 2，随机森林模型综合效能表现最佳。随机森林模型结果表明，胸痛症状、心电图提示ST段异常、室性早搏、合并高血压、房颤、心脏彩超提示节段性室壁运动异常、主动脉瓣关闭不全、肺动脉瓣关闭不全、心血管疾病家族史、体质量指数是冠脉狭窄的前10位重要变量。结论在识别冠状动脉狭窄方面，随机森林模型表现出最佳的综合性能，可较为准确地评估冠脉狭窄的程度，为临床干预提供科学依据。http://xuebaoyx.sysu.edu.cn/zh/article/doi/10.13471/j.cnki.j.sun.yat-sen.univ（med.sci）.2025.0116/Gensini积分反向传播神经网络随机森林冠状动脉狭窄机器学习 |
| spellingShingle | 吕勇峰 王钰婧 张乐怡 李一心 原娜 田晶 基于随机森林的冠状动脉狭窄风险识别模型 Zhongshan Daxue xuebao. Yixue kexue ban Gensini积分 反向传播神经网络 随机森林 冠状动脉狭窄 机器学习 |
| title | 基于随机森林的冠状动脉狭窄风险识别模型 |
| title_full | 基于随机森林的冠状动脉狭窄风险识别模型 |
| title_fullStr | 基于随机森林的冠状动脉狭窄风险识别模型 |
| title_full_unstemmed | 基于随机森林的冠状动脉狭窄风险识别模型 |
| title_short | 基于随机森林的冠状动脉狭窄风险识别模型 |
| title_sort | 基于随机森林的冠状动脉狭窄风险识别模型 |
| topic | Gensini积分 反向传播神经网络 随机森林 冠状动脉狭窄 机器学习 |
| url | http://xuebaoyx.sysu.edu.cn/zh/article/doi/10.13471/j.cnki.j.sun.yat-sen.univ（med.sci）.2025.0116/ |
| work_keys_str_mv | AT lǚyǒngfēng jīyúsuíjīsēnlíndeguānzhuàngdòngmàixiázhǎifēngxiǎnshíbiémóxíng AT wángyùjìng jīyúsuíjīsēnlíndeguānzhuàngdòngmàixiázhǎifēngxiǎnshíbiémóxíng AT zhānglèyí jīyúsuíjīsēnlíndeguānzhuàngdòngmàixiázhǎifēngxiǎnshíbiémóxíng AT lǐyīxīn jīyúsuíjīsēnlíndeguānzhuàngdòngmàixiázhǎifēngxiǎnshíbiémóxíng AT yuánnà jīyúsuíjīsēnlíndeguānzhuàngdòngmàixiázhǎifēngxiǎnshíbiémóxíng AT tiánjīng jīyúsuíjīsēnlíndeguānzhuàngdòngmàixiázhǎifēngxiǎnshíbiémóxíng |