数学建模-基于脑出血患者院前指标的多种机器学习预测模型构建及比较研究_基基于脑出血患者院前指标的多种机器学习预测模型构建及比较研究

基基于脑出血患者院前指标的多种机器学习预测模型构建及比较研究

整体求解过程概述(摘要)

  卒中是全球致残率、致死率最高的疾病之一，其中脑出血（Intracerebral hemorrhage，ICH）患者仅占卒中患者的 20%，但致残、死亡人数与缺血性卒中无明显差异，由于病程短，发展迅速的特点，以农村地区为代表的经济欠发达地区，受限于交通以及基层医疗水平的欠缺，往往无法得到完整、可信的医疗检查从而不利于正确医疗干预的实施，给国家及患者家庭带来了巨大的精神与经济负担。目前 ICH 患者神经功能预后预测模型多基于传统方法如 Logistic 回归，主要关注院中指标对神经功能预后的影响，往往忽略院前指标的重要作用。ICH 患者的救治时间窗短，须在有限时间内快速制定合理、有效的治疗方案，因此利用可快速获取的院前指标建立神经功能预后模型，阐明各指标变量在疾病发展的中发挥的作用，并利用该类指标变量建立治疗方案相关指南是未来研究的重要方向。方法： 目前，国内基于有监督的机器学习方法对 ICH 患者神经功能预后分类模型相关研究较少，高性能预测模型缺乏，不利于脑出血相关临床实验的观察单位的纳入排除标准设置，极大程度阻碍了脑出血患者的前瞻性研究设计，导致相关疾病高质量循证医学证据进展迟缓。
  本文首先使用 Logistic 回归模型、Lasso 回归模型，对院前指标进行筛选，证明了院前指标相较于以往认为占据主导因素的院中指标，同样对 ICH 患者神经功能预后有重要影响，后利用多种新型机器学习方法如支持向量机、随机森林等建立神经功能预后预测模型，通过多模型间性能的比较研究，阐述了决策树类算法及其衍生算法随机森林在信息数据共享的大数据时代，在预测神经功能预后普遍不良的脑出血疾病的显著优势。

问题分析

  ICH 患者神经功能预后普遍较差，治疗方案拟定难度大，治疗效果低于预期，甚至出现不利影响，因此如何利用 ICH 患者病史资料以及入院体征，结合目前最新的机器学习分类模型构建神经功能预后预测模型是改善脑出血患者结局的重要问题。入院前指标，包含吸烟、喝酒、既往卒中史等既往病史资料等以及入院体征检查如 NIHSS、GCS 等量表评分，是制定治疗方案前 ICH 患者最易获取的指标变量，但是目前的研究者往往忽略院前指标的重要作用，故本文旨在探究 ICH患者院前指标对患者神经功能预后的影响，并尝试建立一种性能较好的预测模型，为临床治疗提供一定的指导。
  国内既往研究多采用传统的统计方法建模，不适用于复杂的临床情况以及临床需求，本文采用有监督的分类机器学习方法，希望利用院前指标建立 ICH 患者神经功能预后的相关预测模型，并且比较研究基于各种机器学习方法建立的预测模型性能、适用场景以及优化方案，机器学习方法涵盖经典决策树、条件推断树、随机森林、支持向量机等五种机器学习方法。本文技术路线如图 1 所示：

模型的建立与求解

  本文首先以 ICH 患者院前指标及院中指标为自变量，神经功能预后情况为结局变量，采用 Logistic 回归、lasso 回归进行变量筛选，探究各种指标对 ICH 患者神经功能预后是否有显著影响。后以 ICH 患者院前指标为自变量，神经功能预后情况为结局变量，训练支持向量机、BP 神经网络、决策树及随机森林等五个机器学习方法，以比较研究各类模型在基于院前指标预测 ICH 患者神经功能预后的性能。
  （一）影响因素筛选方法
  1.Logistic 回归（Logistic Regression）
  Logistic 回归是处理二分类资料的标准方法。属于概率型非线性回归，多用于临床医学的鉴别诊断、评价治疗策略、分析疾病预后因素等。设有一个应变量 Y 和 m 个自变量 本文内容由网友自发贡献，转载请注明出处：https://www.wpsshop.cn/w/运维做开发/article/detail/806477