基于重采样和异质集成学习算法预测肝硬化并发肝性脑病风险初步研究

摘要

目的 基于重采样和集成学习算法构建肝硬化并发肝性脑病风险的预测模型，并对模型进行评价。方法 选取2016年1月至2023年5月大理大学第二附属医院就诊的伴或不伴肝性脑病的肝硬化患者，收集临床资料，采用重采样技术和异质集成分类模型构建肝硬化患者发生肝性脑病风险的预测模型，并用ROC曲线、校准曲线、决策曲线对模型进行评价。结果 基于SMOTE-Tomeklinks重采样数据集，以Random Forest、XGBoost和SVM作为组件学习器，LR、MLP分别作为元分类器的Stacking异质集成模型对肝硬化并发肝性脑病的识别效果最好；MLP-Stacking的AUC为0.987,LR-Stacking的AUC为0.988,诊断效能较高；校正曲线与理想曲线拟合良好，提示模型具有较好的判别能力，决策曲线表明模型具有较高的临床获益。结论 针对肝硬化并发肝性脑病数据的信息冗余和类间不平衡的特征，本文所提出的基于重采样的集成模型取得了良好的预测性能及临床获益。

关键词

肝硬化 / 肝性脑病 / 预测模型 / 重采样 / 集成学习