基于机器学习算法构建腹膜透析病人营养不良风险预测模型

摘要

目的：利用机器学习算法预测影响腹膜透析病人营养不良的风险因素，为其营养不良管理决策提供参考。方法：对171例腹膜透析病人进行回顾性分析。根据主观全面营养评定方法（SGA）评估营养状况，将病人分为营养不良组69例和营养正常组102例，并进行数据预处理。筛选特征变量采用共线性诊断、最小绝对收缩和选择算子（LASSO）。选择随机森林（RF）、极端梯度提升（XGB）、支持向量机（SVM）、K近邻模型（KNN）、轻量级梯度提升机（Light GBM）5种机器学习算法进行预测建模，十倍交叉验证后，使用ROC曲线、ROC曲线下面积（AUC）、精确召回率（PR）曲线、准确率、灵敏度、特异度、F1指数分别对模型进行综合评估，引入Shapley加性解释（SHAP）对最优机器学习模型进行可解释化处理。结果：经LASSO回归分析后，确定9个特征变量用于构建机器学习模型。综合评估显示，RF模型具有较高的AUC(0.994)、准确率（0.960）、灵敏度（0.905）、特异度（0.967）、召回率（0.952）、F1指数（0.952）。SHAP模型解释性分析显示，贡献度前5的特征依次是超敏C反应蛋白、血红蛋白、白蛋白、高血压病史和白细胞。结论：腹膜透析病人营养不良的预测模型中，RF模型展现出最佳性能，可为制定腹膜透析病人的营养管理策略提供极具价值的依据。

关键词

腹膜透析 / 机器学习 / 预测模型 / 营养不良