基于社区居民健康大数据预测高血压的患病风险

摘要：

目的 利用居民健康大数据预测高血压的患病风险,并分析高血压相关的重要因素.方法 基于社区公共卫生系统数据集,利用机器学习中的Logistic回归、随机森林和支持向量机算法建立高血压患病风险预测模型,并比较三者的预测性能,另通过随机森林中的基尼系数下降法分析高血压患病的影响因素.结果 支持向量机模型的准确率(87.00％)、精确率(85.00％)、召回率(88.00％)、F1值(0.88)和ROC曲线下面积(0.932)优于随机森林模型(85.00％、84.00％、87.00％、0.87和0.929)和Logistic回归模型(83.00％、85.00％、81.00％、0.81和0.920).Gini系数分析显示,冠心病、年龄、糖尿病和教育水平在预测高血压患病风险中具有重要作用;现教育水平、职业类型、其他慢病、婚姻情况、体重指数、父亲患有高血压、母亲患有高血压、饮酒、饮食偏咸、吸烟、锻炼在预测高血压患病风险中具有一般作用;性别、饮食偏素、饮食偏甜、饮食偏油、饮食偏辣在预测高血压患病风险中作用不大.结论 支持向量机预测模型的预测高血压患病风险最优.文化程度低、合并患有冠心病、糖尿病和其他慢病、有家族史和老年人为高血压易患人群,针对此类人群应重点关注体重指数、饮酒和饮食习惯(偏咸)方面.

关键词：高血压、机器学习、社区居民健康档案、基尼系数下降法

所属期刊栏目：33

分类号：R544.1(心脏、血管（循环系）疾病)

资助基金：国家自然科学基金项目编号:81971707

在线出版日期：2020-04-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1-4,12