基于机器学习产后压力性尿失禁风险预测模型的构建及验证

摘要

目的 基于最新的产后压力性尿失禁(postpartum stress urinary incontinence, PPSUI)定义，采用5种机器学习算法构建风险预测模型，筛选最优模型并评估其临床应用价值。方法 采用前瞻性研究设计，纳入1 208例产妇，基于问卷与电子病历收集数据，并按8∶2比例随机划分训练集和测试集。采用单因素分析和随机森林算法筛选特征，构建基于Logistic回归、决策树、随机森林、支持向量机和极限梯度提升(extreme gradient boosting, XGBoost)的PPSUI预测模型，并通过网格搜索优化超参数。模型训练与验证采用Bootstrap方法和十折交叉验证，以提升稳定性和泛化能力。最终，从分类性能、临床适用性及预测可靠性等方面综合评估各模型，并筛选最优预测模型。结果 XGBoost预测模型为最优预测模型，测试集AUC值为0.993(95%CI:0.985～0.998,P<0.01)。决策曲线分析显示，该模型在中等阈值范围内净收益最高，校准曲线接近理想状态，预测可靠性较优，具备较高的临床应用价值。结论 XGBoost适用于PPSUI高危人群的早期筛查和风险评估，为精准医学和产后健康管理提供科学依据。

关键词

压力性尿失禁 / 产后 / 风险预测 / 机器学习 / 预测模型