结合SMOTE技术与优化算法的支持向量机在慢性心衰不良结局预测中的应用

摘要

目的 应用优化算法的支持向量机(support vector machine, SVM)结合合成少数类过采样技术(synthetic minority over-sampling technique, SMOTE)预测慢性心衰患者不良结局，提高分类模型预测性能。方法 顺序入选2014年1月至2017年12月，山西省两所三级甲等医院心内科确诊为慢性心力衰竭的1183例住院患者，收集患者的病历资料。基于原始训练集构建logistic回归(logistic regression, LR)与支持向量机模型，同时结合SMOTE算法构建LR、SVM、遗传算法支持向量机(genetic algorithm support vector machine, GA-SVM)和粒子群支持向量机模型(particle swarm support vector machine, PSO-SVM),通过灵敏度(sensitivity, SEN)、准确度(accuracy, ACC)、特异度(specificity, SPE)、G-means、F-measure、ROC曲线下面积(area under receiver operating characteristic curve, AUC)等指标综合评价各模型的分类性能。结果 相较于对原始数据进行直接分类，应用SMOTE技术均衡化数据集后，模型性能明显提高。均衡化训练集构建LR、SVM、GA-SVM和PSO-SVM模型结果表明，GA-SVM和PSO-SVM在SPE、ACC指标低于LR; SEN、G-means、F-measure和AUC均优于LR。GA-SVM和PSO-SVM的综合效果显著高于SVM(SEN、G-means、F-measure指标表现均优于SVM)。结论 基于均衡化数据集构建GA-SVM或PSO-SVM模型可提高SVM对于心衰预后的预测性能。

关键词

SMOTE / 支持向量机 / 遗传算法优化 / 粒子群算法优化 / 慢性心力衰竭