机器学习对H.pylori感染患者的特征变量及预测模型研究

摘要

目的 分析H.pylori感染患者感染的危险因素，建立H.pylori感染患者预测模型，为防治H.pylori感染提供参考。方法 选取2021年7至2022年5月在中山市中医院、中山市东凤人民医院、中山市南区医院共1 477例接受H.pylori检测者为研究对象，依据胃镜和¹⁴C、¹³C呼气试验的检测结果，将H.pylori受检人群分为感染组和无感染组，分别进行问卷调查，调查内容包括受检者基本情况、临床表征、慢性基础病、生活和饮食习惯等，共计63个变量。采用单因素及机器学习中的Logistic回归、决策树分析及添加交互项的Logistic回归对H.pylori感染进行多因素分析，并比较3个模型的ROC曲线下的面积、灵敏度、特异度，验证模型的准确性，建立H.pylori感染预测模型，将特征和危险因素建立森林图。结果 Logistic回归分析的AUC为0.7361,灵敏度为0.7615,特异度为0.6034。决策树分析的AUC为0.6528,灵敏度为0.6801,特异度为0.5773。添加交互项后的Logistic回归分析的AUC为0.7388,灵敏度为0.7588,特异度为0.6034。添加交互项的多因素Logistic回归结果显示，有胃胀，口气、口臭，在家煮食午餐，在家无而外出有使用公筷习惯，同居家人有感染，疫情后才使用公筷，居住4～10层楼，同时有胃胀及口气、口臭为模型的显著性变量。结论 胃胀，有口气、口臭，同时有胃胀及口气、口臭，在家煮食午餐，居住的楼层数，外出居家是否使用公筷，是否有使用公筷习惯，家人是否感染H.pylori是感染H.pylori的特征因素，用Logistic回归模型作为主模型进行变量筛选，添加交互后的模型，AUC有所提升，交互项的预测模型对H.pylori感染者预判能力好，运算容易，使用经济、便利，适合区域性推广。

关键词

幽门螺杆菌 / 二元Logistic回归模型 / 决策树 / 森林图 / 交互项