10.3969/j.issn.1673-5293.2022.03.003
基于机器学习的儿童啃咬行为的预测
目的 构建基于机器学习的儿童使用消费品时发生啃咬行为的预测模型.方法 对北京市6所医疗机构就诊的1803例儿童进行问卷调查,依据使用消费品时是否发生啃咬行为分为有啃咬行为组(n=617)与无啃咬行为组(n=1186).随机抽取1442例儿童的临床资料作为训练集构建预测模型,其余作为测试集进行内部验证.采用单因素分析筛选的指标应用基于机器学习的XGBoost、随机森林、Logistic回归、决策树、贝叶斯网络和SVM算法构建预测模型.完成机器学习算法对特征重要性的排序,比较6种方法构建的模型对儿童使用消费品时是否发生啃咬行为的预测价值.结果 XGBoost、随机森林、逻辑回归、决策树、贝叶斯网络和SVM模型的曲线下面积(AUC)分别为0.939、0.935、0.921、0.911、0.893、0.772,灵敏度分别为0.771、0.833、0.879、0.838、0.870、0.233,特异度分别为0.928、0.898、0.847、0.874、0.751、0.969.上述6种机器学习算法优劣排序为:XGBoost>随机森林>Logistic回归>决策树>贝叶斯网络>SVM.儿童年龄(OR=0.721,95%CI=0.683~0.761)、儿童受教育水平(小学:OR=0.244,95%CI=0.170~0.352)、主要照顾者对化学物质知识了解程度(了解一点:OR=0.679,95%CI=0.466~0.990)、主要照顾者陪伴程度(经常陪伴:OR=0.471,95%CI=0.347~0.639)、母亲职业(商业服务人员:OR=0.479,95%CI=0.234~0.980)是儿童啃咬行为主要的影响因素(P<0.05).结论 基于机器学习算法建立的儿童使用消费品发生啃咬行为的预测模型具有较高的应用价值,其中XGBoost的预测效能优于随机森林、Logistic回归、决策树、贝叶斯网络和SVM.
啃咬行为、机器学习、预测模型、儿童、消费品
33
R179(妇幼卫生)
国家重点研发计划2018YFF0214801
2022-04-08(万方平台首次上网日期,不代表论文的发表时间)
共8页
15-22