基于机器学习的女性压力性尿失禁发病风险预测模型建立及效能评价

摘要

目的 运用K最近邻法(KNN)、支持向量机(SVM)、决策树(DT)及随机森林(RF)构建女性压力性尿失禁(SUI)发病的预测模型，并评估各模型效能，为SUI的早期诊断提供参考。方法 回顾性分析2019年10月—2023年10月石河子大学第一附属医院泌尿外科及妇产科治疗的女性SUI患者及同期行健康查体女性的临床资料，将产后42 d女性纳入产后组(n=611),围绝经期与绝经后女性纳入非产后组(n=409)。设置随机种子数并以7∶3的比例分为训练集与验证集。收集所有研究对象的相关临床资料，使用单因素及Lasso回归筛选有意义的变量，将其纳入KNN、SVM、DT及RF算法中并构建模型，分别计算模型的敏感度、特异度、准确度、曲线下面积(AUC)等，筛选出最优的模型。结果 产后组SUI患者为352例，占57.6%。根据单因素及Lasso回归，产后组筛选出有意义的变量为：年龄、身体质量指数(BMI)、快肌阶段最大值、孕次、膀胱颈移动度(BND)、尿道旋转角(URA)、会阴侧切、既往尿失禁史及便秘。在产后组验证集中KNN、SVM、DT、RF模型的AUC分别为0.881、0.878、0.750、0.905,RF模型的AUC、准确度、F1指数及Kappa值均最大。非产后组SUI患者为260例，占63.6%。根据单因素及Lasso回归，非产后组筛选出有意义的变量为：年龄、BMI、快肌阶段最大值及恢复时间、慢肌阶段平均值、后静息阶段变异性、阴道分娩、既往尿失禁史及便秘。在非产后组验证集中KNN、SVM、DT、RF模型的AUC分别为0.819、0.805、0.603、0.830,RF模型的AUC、准确度、Kappa值均最大。结论 本研究基于机器学习成功建立4种产后42 d女性，围绝经期及绝经后女性SUI发病的预测模型，其中采用RF算法的模型预测效率最佳。

关键词

压力性尿失禁 / 预测模型 / 机器学习 / 决策树 / 随机森林 / 支持向量机 / K最近邻法