经尿道前列腺钬激光剜除术后低体温风险预测模型：基于逻辑回归、决策树和支持向量机

摘要

目的 运用逻辑回归、决策树和支持向量机构建经尿道前列腺钬激光剜除术后低体温风险预测模型并比较性能，为评估及预防经尿道前列腺钬激光剜除术后低体温提供依据。方法 回顾性收集本中心403例、另一中心（潍坊市人民医院）120例经尿道前列腺钬激光剜除术后低体温患者的临床资料，采用逻辑回归、决策树和支持向量机3种机器学习方法构建经尿道前列腺钬激光剜除术后低体温风险预测模型，采用准确性、召回率、精确率、F1指数和受试者工作特征（ROC）曲线下面积（AUC）评价模型性能。结果 纳入患者的手术时长、前列腺重量、术中冲洗量和是否偏瘦，共4个变量。本中心选择70%的数据集（283例）作为训练集，30%的数据集（120例）作为验证集，另一中心数据（120例）作为外部验证集。在训练集、验证集及外部验证集中，支持向量机的精确率及准确率均为最优，在训练集与验证集中支持向量机的ROC均为最优，逻辑回归次之，且二者在2个数据集中的AUC差异不大。对比支持向量机（SVM）模型与逻辑回归和决策树模型发现，SVM在验证集上的精确率、准确率、召回率、F1指数和AUC值方面均超过其他2种模型。SVM在外部验证集上的精确率、准确率均优于逻辑回归和决策树模型，召回率、F1指数、AUC值略低于决策树模型。SVM在训练集上的精确率、准确率、F1指数和AUC值均优于逻辑回归和决策树模型，尽管其召回率略低于决策树模型。结论 支持向量机在构建经尿道前列腺钬激光剜除术后低体温风险预测模型中具有较高的性能及较好的泛化能力，可为相关临床决策提供指导建议。

关键词

前列腺 / 低体温 / 危险因素 / 机器学习 / 预测模型