三种风险预测模型预测钢铁工人颈动脉粥样硬化的效能比较

背景 颈动脉粥样硬化(CAS)不仅影响钢铁工人的工作效率,而且是引发缺血性脑血管疾病最重要的危险因素.近年来,越来越多的学者利用机器学习并通过易获得的因素对疾病进行风险预测,但目前,关于CAS风险预测模型的研究依然缺乏.目的 运用支持向量机(SVM)、BP神经网络(BPNN)与随机森林(RF)模型构建钢铁工人CAS发生风险预测模型,并比较其预测效能.方法 选取2017年3—6月在唐山市弘慈医院进行体检和健康监测的4568例钢铁工人为研究对象,按照本团队编写的《健康评估检查表》进行调查,调查内容:人口学特征(性别、年龄、体质指数、文化程度、婚姻状况)、个人的行为生活习惯与方式(吸烟、饮酒)、个人病史(高血压、糖尿病、CAS家族史)、职业史(倒班、高温作业、噪声作业).收集研究对象的实验室检查指标,如胆固醇、三酰甘油、同型半胱氨酸、尿酸.结合非条件多因素Logistic回归分析结果以及查阅相关文献,确定变量构建SVM、BPNN和RF模型并进行比较.结果 训练集显示SVM、BPNN和RF模型预测钢铁工人发生CAS的准确率分别为83.81％、79.27％、86.60％,灵敏度分别为80.10％、66.19％、73.62％,特异度分别为87.32％、91.62％、98.90％,受试者工作特征曲线下面积(AUC)分别为0.84、0.79、0.86.SVM模型的灵敏度最高,RF模型在准确率、特异度和AUC方面高于其余两种模型,差异有统计学意义(P<0.05).测试集显示SVM、BPNN和RF模型预测钢铁工人发生CAS的准确率分别为85.70％、75.46％、73.37％,灵敏度分别为81.63％、64.65％、60.00％,特异度分别为90.29％、87.66％、88.45％,AUC分别为0.86、0.76、0.74.SVM模型在灵敏度、准确率和AUC方面高于其余两种模型比较,差异有统计学意义(P<0.05).结论 运用SVM模型预测钢铁工人CAS发生风险的效果优于BPNN和RF模型.