机器学习算法构建不同模型预测突发性感音神经性聋伴高血压患者的预后

摘要

目的 分析突发性感音神经性聋(SSNHL)伴高血压患者发生不良预后的影响因素，基于4种机器学习算法构建预测模型，比较不同模型的预测效果。方法 选取2023年2月1日—2024年5月31日就诊于郑州大学第二附属医院耳鼻咽喉科SSNHL合并高血压的患者作为研究对象。通过医院电子病历系统收集患者临床资料，根据治疗后听力恢复情况分为有效组和无效组，采用单因素分析、最小绝对收缩和选择算子(LASSO回归)和Boruta算法筛选预测变量。采用逻辑回归(LR)、随机森林(RF)、极端梯度提升树(XGBoost)和支持向量机(SVM)4种机器学习算法构建预测模型并进行验证，Delong检验各模型在验证集中的曲线下面积(AUC),同时比较各模型在验证集中的评价指标以确定最佳模型，并使用Shapley加性解释(SHAP)算法对模型进行解释性分析。结果 232例患者纳入研究，共筛选出7个与无效预后密切相关的变量，包括听力损失程度、听力图类型、糖尿病、高血压病程等。对4种模型的预测性能进行验证，XGBoost模型整体预测性能最好，AUC(0.787)、准确度(78.56%)、精确度(78.95%)、召回率(71.43%)和F1分数(75%),且4种模型之间AUC的差异无统计学意义(P>0.05)。结论 合并高血压的SSNHL患者不良预后的发生风险受患者初始听力水平、听力图类型、糖尿病、高血压病程、吸烟及高尿酸血症等因素影响。4种机器学习模型均具有良好的预测性能，其中XGBoost模型预测性能最优。

关键词

突发性感音神经性聋 / 高血压 / 机器学习 / 预后模型