机器学习开发的女性过度活动膀风险模型:基于2007-2018年NHANES数据

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 过度活性膀 (OAB) 显著影响日常生活,目前的风险估计严重依赖患者的主观症状.
• 有关客观的诊断工具和风险预测模型的OAB. 这是一个关键的需要.
• 开发新的风险评估策略对于及时和准确的OAB诊断至关重要.

研究的目的:

• 开发和评估机器学习 (ML) 模型,以评估女性人口中过度活性膀 (OAB) 风险.
• 通过使用数据驱动的方法来识别OAB风险的关键因素.
• 提高女性OAB的诊断能力.

主要方法:

• 利用了2007-2018年国家健康和营养检查调查 (NHANES) 的10,807名女性参与者的数据.
• 训练并比较了七个ML算法,包括支持向量机 (SVM),物流回归,K-最近邻居 (KNN),随机森林 (RF),梯度增强,决策树 (DT) 和极端梯度增强 (XGBoost).
• 开发了使用十个特征因素来预测OAB风险的模型.

主要成果:

• 随机森林 (RF) 模型实现了最高的性能,曲线下的面积 (AUC) 为0.879.
• 高血压被确定为影响OAB风险的最重要因素.
• 糖尿病和睡眠障碍也被发现是导致OAB风险的重要因素.

结论:

• 机器学习模型显示出强大的诊断性能和可解释性,用于预测女性过度活性膀 (OAB) 风险.
• 开发的基于ML的风险模型为改善女性OAB诊断提供了有价值的工具.
• 与基于症状的评估相比,这种方法为OAB风险评估提供了更客观的方法.