基于机器学习构建AECOPD患者治疗稳定期营养不良发生风险预测模型

摘要

目的：使用3种机器学习算法构建慢性阻塞性肺疾病急性加重期（AECOPD）患者治疗稳定期营养不良发生风险预测模型，通过比较选择最佳模型。方法：收集2019年1月至2024年7月蚌埠市某三甲医院急诊内科收治的675例AECOPD患者。通过Lasso回归进行变量筛选，使用3种机器学习算法构建AECOPD患者治疗稳定期营养不良发生风险预测模型，并对模型效能进行比较，选择最佳模型。结果：通过Lasso回归共筛选出13个影响因子。根据变量筛选结果，使用Logistic回归、决策树及随机森林构建模型，在训练集中各模型ROC曲线下面积分别为0.65、0.73、0.88，在测试集中各模型ROC曲线下面积分别为0.74、0.53、0.81。结论：随机森林算法构建的AECOPD患者治疗稳定期营养不良发生风险预测模型预测性能最好，可用于早期识别AECOPD患者治疗稳定期营养不良的发生。

关键词

慢性阻塞性肺疾病 / 急性加重期 / 营养不良 / 机器学习 / 风险预测模型