肠易激综合征风险预测模型的构建与评价

摘要

目的:构建肠易激综合征(IBS)风险预测模型,探讨相关特征变量对IBS患病风险的影响。方法:从英国生物样本库中选择回答过“是否被诊断出过患有IBS”问题的93 623例参与者,按7∶3随机分为训练集和测试集,通过LASSO回归进行IBS风险特征变量选择。利用SMOTE将训练集调整为平衡数据集;采用R和Python构建支持向量机、朴素贝叶斯等机器学习模型,卷积神经网络(CNN)、长短期记忆网络(LSTM)等深度学习模型;基于SHAP值解释模型中各变量对发生结局影响的贡献度。结果:内部验证中,2种深度学习模型的性能(训练集AUC=0.802、0.805;测试集AUC=0.807、0.805)略优于机器学习算法的2种最优模型(训练集AUC=0.716、0.721;测试集AUC=0.727、0.728);外部验证中,CNN与LSTM的准确率分别为0.721、0.690,AUC分别为0.842、0.791;既往腹痛情况、IBS家族史和性别是IBS患病的主要影响因素(SHAP值分别为0.174、0.063和0.048)。结论:深度学习分类器CNN和LSTM预测IBS风险性能较优;腹痛、IBS家族史和女性是IBS的主要风险因素。

关键词

肠易激综合征 / 机器学习 / 深度学习 / Shapley加性解释