基于不同算法预测模型在阻塞性睡眠呼吸暂停低通气综合征中的比较

摘要：

目的 基于不同算法对阻塞性睡眠呼吸暂停低通气综合征(OSAHS)患者进行建模,比较四种模型的受试者工作曲线下面积(AUC)、准确率、灵敏度与特异性,以建立自动筛选和诊断OSAHS的机器学习预测模型.方法 回顾性分析2019年10月～2022年10月于徐州医科大学附属医院行多导睡眠监测的277例患者,以人口学信息、病史、ESS作为预测变量,采用单因素分析筛选出具有明显差异的变量,然后分别建立轻量级梯度提升机(LightGBM)模型、逻辑回归(LR)模型、极限梯度提升(XGBoost)模型及支持向量机(SVM)模型,采用AUC评价模型性能.结果 LR预测的准确率为0.91,AUC为0.97;XGBoost的预测准确率为0.94,AUC为0.97;LightGBM的预测准确率为0.93,AUC为0.98;SVM的准确率为0.89,AUC为0.95.结论 LR、SVM、XGBoost、LightGBM对OSAHS预测效果均较好,LightGBM的效果最佳.

关键词：机器学习、睡眠呼吸暂停、阻塞性、预测模型、轻量级梯度提升机

所属期刊栏目：30

分类号：TN99;TP391;R767.13

资助基金：江苏省科研与实践创新计划项目;徐州医科大学附属医院课题

在线出版日期：2023-09-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：467-470