基于深度神经网络的布鲁氏菌病风险预测模型的构建和验证

摘要

【目的】采用深度神经网络算法构建布鲁氏菌病预测模型，提升布鲁氏菌病的早期发现效能。【方法】纳入2023年呼市职业病防治院收治的202例布鲁氏菌病患者与319例非布鲁氏菌病患者的临床资料，从中提取性别、年龄、血常规指标及临床诊断等数据进行分析。通过深度神经网络算法构建布鲁氏菌病预测模型，并通过十折交叉验证进行模型优化。模型性能评估指标包括灵敏度、假阴性率、特异度、假阳性率、准确率、阳性预测值、阴性预测值、F1分数、受试者工作特征曲线下面积（AUC）。经评估筛选出的最优模型，借助沙普利可加性解释（SHAP）方法进行解释，明确模型的决策逻辑与各特征的影响机制。【结果】数据可视化分析显示，布病组与非布病组数据差异不明显。经十折交叉验证筛选出最优模型展现出良好性能，灵敏度为85.3%、特异度为92.1%、准确率为89.5%、AUC为96.6%,95%CI(0.937,0.977)。SHAP方法解释模型发现年龄、血小板计数、血小板平均体积、嗜碱性粒细胞比例、红细胞分布宽度和绝对嗜碱细胞数，对布病发生具有显著影响。【结论】本研究构建的深度神经网络预测模型性能良好，能为布病早期诊断与防控提供可靠支持。同时，明确布病相关显著影响特征有助于进一步认识疾病发病机制，该模型未来有望在临床广泛推广。

关键词

布鲁氏菌病 / 深度神经网络 / 血常规指标 / 沙普利可加性解释方法 / 风险预测模型