Data Management And Sharing System of China National Clinical Research Center for Neurological Diseases

Journal：中国卒中杂志

Publication type: Article

IF(IF): 1.31

PMID: 1673-5765.2020.06.004 Link To Pubmed Full text Download

背景： 卒中是全球第二大死因，在中国近年来已经成为人群死亡的首要原因，缺血性卒中占全部卒中的80%，具有高致残率、高致死率及高复发率等特点［1］。根据我国卒中流行病学调查研究推算，目前每年约有240万人新发卒中，每年110万人死于卒中，现存的卒中患者1100多万[2]。在国内，卒中单病种死因顺位排名自2010年上升到第一位后，仍未改变［3-4-5］。因此，探讨缺血性卒中死亡的预测具有重要意义。随着大数据时代的到来，在医疗领域中各种繁杂的医疗信息被整合为大数据，为将机器学习引入医疗领域创造了条件。本研究旨在比较机器学习模型和传统统计学模型对缺血性卒中患者3个月死亡预测效果，以期为后续建立更加完善的缺血性卒中死亡预测提供更全面的借鉴。 目的： 探索XGBoost基于机器学习算法构建的缺血性卒中死亡预测模型的应用价值。

模型构建方法： 将总数据集按7:3随机分为训练集和测试集，训练集用于构建预测模型，测试集用于评价模型效果。用XGBoost预测模型和Logistic回归预测模型。 统计学方法： 本研究应用SAS9.4统计软件进行Logistic回归模型的建立，使用逐步回归法。应用Python3.6.8 进行XGBoost机器学习模型建立，XGBoost调用xgboost API，采用scikit-learn 中GridSearchCV 函数做参数遍历选择，matplotlib API提供作图支持，绘制预测的ROC曲线。两种模型的预测性能采用ROC曲线下面积(area under the cure,AUC)表示，AUC越高表明模型预测性能越好。P＜0.05为差异具有统计学意义。