基于改进机器学习模型的淋巴瘤患者静脉血栓栓塞风险预测模型构建的研究

摘要

目的 构建淋巴瘤患者静脉血栓栓塞(VTE)风险预测模型，通过改进机器学习算法提升预测效能，为临床提供参考。方法 采用单中心回顾性研究设计，选取2021年3月至2023年3月本院收治的469例淋巴瘤患者为研究对象。收集患者自身相关因素、疾病相关因素及治疗相关因素。将研究数据集按照8∶2拆分为训练集(375例)和内部测试集(94例),通过改进指数三角优化算法(IETO)指导的自动机器学习模型(AutoML),同步实现特征筛选与超参数优化，并与传统模型进行性能对比，最终得到最优模型后采用夏普利(SHAP)分析方法对预测模型的可解释性进行深入探讨。结果 (1)采用12个基准函数对IETO进行测试，结果显示IETO具有更快的收敛速度，且在迭代过程中陷入局部最优的风险最低；(2)5种机器学习模型中AutoML取得最佳的预测性能：ROC和PR曲线下的面积分别为0.920和0.931。模型筛选出美国东部肿瘤协作组(ECOG)评分、中心静脉置管、D-二聚体、VTE病史、血红蛋白及血小板计数6项关键特征。结论 优化算法机器学习模型在淋巴瘤患者VTE预测中具有一定的可行性，弥补了现有评分系统对淋巴瘤特异性指标整合不足的缺陷，具有一定临床应用价值。

关键词

机器学习 / 优化算法 / 淋巴瘤 / 静脉血栓 / 预测模型