糖尿病足潰瘍復(fù)發(fā)風(fēng)險預(yù)測模型的構(gòu)建：基于Logistic 回歸和支持向量機及BP 神經(jīng)網(wǎng)絡(luò)模型

張娟，李海芬，李小曼，姚苗，馬惠珍，馬強

國際糖尿病協(xié)會數(shù)據(jù)顯示，2019 年全球糖尿病患病率為9.3%，到2045 年將升至10.9%［1］。與此同時，全球慢性創(chuàng)面的患病率也在增加，以糖尿病足潰瘍（DFUs）和下肢靜脈潰瘍最為常見［2］。DFUs 是糖尿病嚴(yán)重的并發(fā)癥之一，可導(dǎo)致高死亡率和致殘率［3］。DFUs 患者的終生風(fēng)險達到15%～25%［4］，DFUs 患者截肢的年發(fā)生率為5.1%［1］。有研究報道即使創(chuàng)面愈合后DFUs在1 年內(nèi)復(fù)發(fā)率仍高達40%，3 年復(fù)發(fā)率為50%～60%，5年內(nèi)復(fù)發(fā)率為65%［4］。顯然，DFUs 預(yù)后不穩(wěn)定，易復(fù)發(fā)且早期復(fù)發(fā)風(fēng)險較高。

呂靜等［5］采用Logistic 回歸建立DFUs 復(fù)發(fā)風(fēng)險預(yù)測模型，1 年內(nèi)DFUs 復(fù)發(fā)率為26.9%，吸煙、愈傷組織、足部膚色異常、胼胝質(zhì)、糖尿病周圍神經(jīng)病變和冠心病是DFUs 復(fù)發(fā)的風(fēng)險因素。CRAWFORD 等［6］的研究顯示DFUs 史、無法感受到10 g 單絲和沒有任何足踏板脈搏是DFUs 復(fù)發(fā)的獨立危險因素。最近，AAN DE STEGGE 等［7］建立了DFUs 復(fù)發(fā)風(fēng)險預(yù)測模型，模型1主要針對復(fù)發(fā)性足底潰瘍，模型2 主要針對無法識別的重復(fù)性壓力引起的潰瘍。以往研究中DFUs 復(fù)發(fā)風(fēng)險預(yù)測模型的建立方法單一，未對比不同算法的預(yù)測效能，在此情況下本研究運用機器學(xué)習(xí)（ML）中的支持向量機（SVM）和BP 神經(jīng)網(wǎng)絡(luò)（BPNN）開發(fā)出DFUs 復(fù)發(fā)風(fēng)險預(yù)測模型，并對比其預(yù)測效能，以便臨床醫(yī)護人員能夠及時識別出有復(fù)發(fā)性DFUs 風(fēng)險的患者，指導(dǎo)臨床醫(yī)生和患者進行預(yù)防性治療的聯(lián)合決策，最終達到降低DFUs 復(fù)發(fā)風(fēng)險的目的。

1 對象與方法

1.1 研究對象 選取2020 年1 月—2021 年10 月在寧夏醫(yī)科大學(xué)總醫(yī)院燒傷整形美容科、內(nèi)分泌科和傷口造口門診就診的DFUs 患者作為開發(fā)模型的研究對象。納入標(biāo)準(zhǔn)：（1）符合2020 年美國糖尿病學(xué)會糖尿病醫(yī)學(xué)診療標(biāo)準(zhǔn)中DFUs 的診斷標(biāo)準(zhǔn)［8］；（2）因初發(fā)DFUs而就診；（3）自愿參與，且簽署知情同意書。排除標(biāo)準(zhǔn)：（1）糖尿病合并妊娠或特殊類型糖尿病；（2）合并嚴(yán)重惡性腫瘤等危重疾??；（3）有溝通障礙；（4）有精神疾?。唬?）中途失訪。本研究已通過寧夏醫(yī)科大學(xué)總醫(yī)院倫理審查（編號：KYLL-2021-677）。

1.2 樣本量計算及分組 本研究共納入36 個候選預(yù)測變量，根據(jù)多變量預(yù)測模型透明報告對樣本量的要求［9］：陽性結(jié)局事件數(shù)至少是候選預(yù)測變量個數(shù)的10 倍及以上，即本模型開發(fā)至少需要360 個DFUs 結(jié)局事件。經(jīng)數(shù)據(jù)清洗，本研究共納入390 例DFUs 患者為研究對象。本研究結(jié)局變量是DFUs 愈合出院后1 年內(nèi)是否復(fù)發(fā)的情況。DFUs 復(fù)發(fā)診斷標(biāo)準(zhǔn)參照國際糖尿病足潰瘍工作組（IWGDF）指南［10］和《2020 IWGDF 指南：糖尿病足的診斷》標(biāo)準(zhǔn)［11］：既往有過DFUs 史的患者出現(xiàn)新的足潰瘍，不論這次潰瘍發(fā)生的部位與上次是否相同。隨訪1 年，以初診DFUs 住院診治且潰瘍愈合后的時間為起點，若隨訪期內(nèi)同一患者DFUs 多次復(fù)發(fā)，則僅記1 次，患者復(fù)發(fā)信息以第一次復(fù)發(fā)時收集的信息為參考。根據(jù)患者出院后1 年內(nèi)DFUs 是否復(fù)發(fā)分為復(fù)發(fā)組116 例（29.7%）和非復(fù)發(fā)組274 例（70.3%）。

1.3 觀察指標(biāo)

1.3.1 一般資料 根據(jù)研究目的及內(nèi)容，由研究小組通過文獻回顧、預(yù)調(diào)查和專家建議等方式自行設(shè)計一般資料收集表，內(nèi)容包括社會人口學(xué)特征、病史評估、臨床病例資料。（1）社會人口學(xué)特征包括性別、年齡、BMI、獨居；（2）病史評估包括糖尿病病程、吸煙史（每天至少吸1 支煙，持續(xù)或累計半年以上且仍在吸煙［9］）、飲酒史（每周至少飲酒1 次，持續(xù)或累計飲酒半年以上且仍在飲酒［9］）、受累足趾截肢史、潰瘍因創(chuàng)傷引起；（3）臨床病例資料包括足潰瘍分級、踝肱指數(shù)、糖化血紅蛋白、潰瘍位置在腳底、足部胼胝、足趾受累、足部存在行走障礙、骨髓炎、多重耐藥菌感染、下肢動脈粥樣硬化、糖尿病周圍神經(jīng)病變。

1.3.2 糖尿病足部自我管理行為量表（DFSBS） 采用DFSBS 評估糖尿病足部自我管理行為，DFSBS 由CHIN等［12］研制，共7 個條目，量表總分為7～35 分，得分越高表示足部自我管理行為越好，量表Cronbach'sα系數(shù)為0.835，重測信度為0.916。

1.3.3 慢性病風(fēng)險感知問卷 采用慢性病風(fēng)險感知問卷評估患者DFUs 風(fēng)險感知水平，該問卷由方蕾［13］編制，用于評估慢性病患者的風(fēng)險感知水平，包括經(jīng)濟風(fēng)險、身體診療風(fēng)險及社會心理風(fēng)險，共3 個維度12個條目。該問卷的Cronbach'sα系數(shù)為0.833，各維度Cronbach'sα系數(shù)為經(jīng)濟風(fēng)險0.716、身體診療風(fēng)險0.769、社會心理風(fēng)險0.781，具有良好的信效度。

1.4 質(zhì)量控制 運用醫(yī)院信息系統(tǒng)收集臨床資料，通過電話隨訪、門診隨訪與院外隨訪管理系統(tǒng)相結(jié)合的方式，記錄患者DFUs 的復(fù)發(fā)情況，隨訪時間為1 年，由臨床醫(yī)生、糖尿病?？谱o士或傷口?？谱o士判斷患者的復(fù)發(fā)情況及癥狀的嚴(yán)重程度。收集資料前統(tǒng)一在燒傷整形美容科、傷口造口門診和內(nèi)分泌科選派3 名糖尿病?？谱o士和3 名傷口?？谱o士共6 名作為資料收集員，由研究者對其進行同質(zhì)化培訓(xùn)和指導(dǎo)，包括隨訪資料收集的內(nèi)容、方法和注意事項等。選取5 例DFUs 患者進行預(yù)調(diào)查以完善資料收集表。采用問卷星編制《糖尿病足潰瘍問卷調(diào)查表》，運用金山文檔編制《糖尿病足潰瘍在線資料收集表》，通過以上兩種途徑完成資料收集。由培訓(xùn)合格的資料收集員協(xié)助患者作答問卷。電話隨訪由燒傷整形美容科護士進行，門診隨訪在傷口造口門診完成，院外管理系統(tǒng)隨訪由內(nèi)分泌科教育護士完成。

1.5 模型構(gòu)建

1.5.1 數(shù)據(jù)初步篩選和預(yù)處理 審核數(shù)據(jù)的變量特征，并按既定規(guī)則進行初步篩選：（1）刪除每列數(shù)據(jù)缺失占比>90%的變量；（2）刪除每列單個類別比例>90%的變量；（3）刪除每列變異系數(shù)（CV）<0.05 的變量；（4）刪除不合邏輯的異常值，連續(xù)性變量的缺失值用中位數(shù)填補，分類變量的缺失值用眾數(shù)填補。

1.5.2 特征及算法的選擇 本研究的特征選擇步驟在訓(xùn)練數(shù)據(jù)集中，以DFUs 1 年內(nèi)是否復(fù)發(fā)為因變量，其他變量為自變量進行初始逐步Logistic 回歸分析，利用OR值及其95%CI 等指標(biāo)增加模型的可解釋性。將單因素分析中P<0.05 的預(yù)測因子納入多因素分析，最后使用逐步回歸確定進入模型的預(yù)測因子。BPNN 對數(shù)據(jù)資料分布無嚴(yán)格限制，可識別變量間復(fù)雜的非線性關(guān)系，具有很強的自適應(yīng)能力，且有高度的容錯性。SVM 是一種線性和非線性分類方法，具有預(yù)測可靠性高、穩(wěn)定性強和泛化能力強等優(yōu)勢［14］。

1.5.3 模型的建立及評價 納入Logistic 回歸中有意義的11 個獨立預(yù)測因素，構(gòu)建Logistic、BPNN 及SVM 風(fēng)險預(yù)測模型，各模型訓(xùn)練集和測試集按7 ∶3 比例，292 例樣本用于訓(xùn)練，98 例樣本用于預(yù)測。以受試者工作特征（ROC）曲線下面積（AUC）、查準(zhǔn)率、正確率、召回率和F1 值作為模型評估的指標(biāo)，在各指標(biāo)結(jié)果不一致時，以AUC 作為主要參考，其中AUC 為0.50～0.70提示預(yù)測效果較差，AUC 為>0.70～0.90 提示預(yù)測效果中等，AUC>0.90 提示預(yù)測效果非常好。

1.6 統(tǒng)計學(xué)方法 運用Excel 導(dǎo)出并錄入數(shù)據(jù)，采用SPSS 25.0 及MATLAB R2020b 分析數(shù)據(jù)。非正態(tài)分布的定量資料以M（P25，P75）表示，兩組間比較采用Mann-Whitney U 檢驗；定性資料以頻數(shù)及百分比表示，兩組間比較采用χ2檢驗，等級資料比較采用Kruskal-Wallis H 檢驗。采用SPSS 25.0 構(gòu)建Logistic 回歸模型預(yù)測DFUs 復(fù)發(fā)的影響因素，采用MATLAB R2020b軟件構(gòu)建BPNN 和SVM 模型，模型的擬合優(yōu)度采用Hosmer-Lemeshow 檢驗，繪制各模型預(yù)測DFUs 復(fù)發(fā)風(fēng)險的ROC 曲線，采用查準(zhǔn)率、正確率、召回率、F1 指數(shù)及AUC 評價各模型的預(yù)測效能。運用DeLong 檢驗比較各模型的性能及AUC 間的差異。以P<0.05 為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 一般資料比較 兩組DFUs 患者性別、年齡、潰瘍因創(chuàng)傷引起、足部胼胝比較，差異均無統(tǒng)計學(xué)意義（P>0.05）；兩組DFUs 患者BMI、獨居、糖尿病病程、吸煙史、飲酒史、受累足趾截肢史、足潰瘍分級、踝肱指數(shù)、糖化血紅蛋白、潰瘍位置在腳底、足趾受累、足部存在行走障礙、骨髓炎、多重耐藥菌感染、糖尿病周圍神經(jīng)病變、下肢動脈粥樣硬化、足部自我管理行為、DFUs 風(fēng)險感知水平比較，差異均有統(tǒng)計學(xué)意義（P<0.05），見表1。

表1 兩組DFUs 患者一般資料比較Table 1 Comparison of general information between the two groups of patients with DFUs

2.2 DFUs 患者出院后1 年內(nèi)DFUs 復(fù)發(fā)影響因素的多因素Logistic 回歸分析 以DFUs 患者出院后1 年內(nèi)DFUs 是否復(fù)發(fā)為因變量，以表1 中差異有統(tǒng)計學(xué)意義的因素：BMI、獨居、糖尿病病程、吸煙史、飲酒史、受累足趾截肢史、足潰瘍分級、踝肱指數(shù)、糖化血紅蛋白、潰瘍位置在腳底、足趾受累、足部存在行走障礙、骨髓炎、多重耐藥菌感染、糖尿病周圍神經(jīng)病變、下肢動脈粥樣硬化、足部自我管理行為、DFUs 風(fēng)險感知水平為自變量進行多因素Logistic 回歸分析（各變量賦值情況見表2），結(jié)果顯示，BMI、糖尿病病程、吸煙史、足潰瘍分級、糖化血紅蛋白、潰瘍位置在腳底、足部自我管理行為和DFUs 風(fēng)險感知水平是DFUs 復(fù)發(fā)的影響因素（P<0.05），見表3。

表2 DFUs 復(fù)發(fā)影響因素的多因素Logistic 回歸分析賦值表Table 2 Assignment table for multivariable Logistic regression analysis of influencing factors of DFUs recurrence

表3 DFUs 復(fù)發(fā)影響因素的多因素Logistic 回歸分析Table 3 Multivariable Logistic regression analysis of influencing factors of DFUs recurrence

2.3 三種模型的運行結(jié)果

2.3.1 Logistic 回歸模型運行結(jié)果 將多因素Logistic 回歸分析有統(tǒng)計學(xué)意義的8 個影響因素作為預(yù)測模型的輸入變量。Logistic 回歸在訓(xùn)練集上的擬合值與真實值相比，其預(yù)測DFUs 患者DFUs 復(fù)發(fā)的查準(zhǔn)率、正確率和AUC 分別為85.26%、84.41%和0.855，見表4。

表4 Logistic 回歸、SVM 和BPNN 模型對DFUs 復(fù)發(fā)風(fēng)險的預(yù)測性能比較Table 4 Comparison of predictive performance of Logistic regression，SVM and BPNN recurrence risk prediction models for DFUs

2.3.2 SVM 模型運行結(jié)果 以DFUs 是否復(fù)發(fā)為因變量（賦值：否=0，是=1），多因素Logistic 回歸分析篩選出的變量為自變量（賦值同表2），在訓(xùn)練集上建立SVM，利用tune.svm（）函數(shù)計算，得出10 折交叉驗證錯誤率最低時的最優(yōu)參數(shù)為C=100、γ=0.01，此時訓(xùn)練集SVM 預(yù)測DFUs 患者復(fù)發(fā)的查準(zhǔn)率、正確率、AUC 分別為95.30%、96.53%和0.943，見表4。

2.3.3 BPNN 模型運行結(jié)果 以DFUs 是否復(fù)發(fā)為因變量（賦值：否=0，是=1），以多因素Logistic 回歸分析中有統(tǒng)計學(xué)意義的變量為自變量（賦值同表2），計量資料采用標(biāo)準(zhǔn)化公式，將輸入層協(xié)變量全部歸一化處理為（0，1）（區(qū)間的變量）輸入BPNN 模型。對測試集預(yù)測的正確率為96.06%，訓(xùn)練集預(yù)測的正確率為88.36%，見表4。

2.4 三種模型的預(yù)測價值比較 三種模型預(yù)測患者DFUs 復(fù)發(fā)的ROC 曲線均具有較高的正確率，在訓(xùn)練集和測試集中，三種模型預(yù)測DFUs 復(fù)發(fā)風(fēng)險的ROC 曲線AUC 比較結(jié)果為：SVM>Logistic 回歸>BPNN。由ROC曲線可知，SVM 在訓(xùn)練集和測試集中預(yù)測患者DFUs 復(fù)發(fā)的AUC 均最高，測試集中的AUC 為0.937〔95%CI（0.916，0.955）〕，且正確率最高為94.87%，靈敏度為0.99，特異度為0.87，SVM 模型整體表現(xiàn)較另外兩種預(yù)測模型預(yù)測效能更優(yōu)。經(jīng)DeLong檢驗，Logistic回歸、SVM 和BPNN 模 型 預(yù) 測DFUs 復(fù)發(fā)風(fēng)險的ROC 曲線AUC 比較，差異有統(tǒng)計學(xué)意義（Z=2.741，P<0.05）；SVM 模型預(yù)測DFUs 復(fù)發(fā)風(fēng)險的ROC 曲線AUC 大于Logistic回歸和BPNN模型，差異有統(tǒng)計學(xué)意義（Z=5.937，P=0.013；Z=3.946，P<0.001）；Logistic 回歸模型預(yù)測DFUs 復(fù)發(fā)風(fēng)險的ROC 曲線AUC 大于BPNN 模型，差異有統(tǒng)計學(xué)意義（Z=4.302，P=0.022），見圖1、表4。

圖1 Logistic 回歸、SVM 和BPNN 模型訓(xùn)練集和測試集預(yù)測DFUs 復(fù)發(fā)風(fēng)險的ROC 曲線Figure 1 ROC curves of Logistic regression，SVM and BPNN recurrence risk prediction models for DFUs in the the training and test sets

3 討論

DFUs 復(fù)發(fā)是糖尿病患者不良預(yù)后的重要標(biāo)志［15］。本研究關(guān)注引起DFUs 復(fù)發(fā)的主客觀變量，自行研制DFUs 復(fù)發(fā)高危因素在線篩查表，短期隨訪（出院后1 年）DFUs 患者的復(fù)發(fā)狀況，運用機器學(xué)習(xí)算法探討DFUs復(fù)發(fā)的風(fēng)險因素，構(gòu)建出復(fù)發(fā)風(fēng)險預(yù)測模型以便實現(xiàn)快速篩查，旨在為糖尿病高危足DFUs 復(fù)發(fā)提供全面的精準(zhǔn)干預(yù)。本研究DFUs 患者出院后1 年內(nèi)的復(fù)發(fā)率為29.74%，高于呂靜等［5］DFUs 1 年復(fù)發(fā)率為26.9%的研究結(jié)果，低于WANG 等［16］報道的治愈后DFUs 1 年內(nèi)再發(fā)病率為31.6%，且低于HICKS 等［17］的研究結(jié)果。目前各區(qū)域性醫(yī)療機構(gòu)有關(guān)DFUs 復(fù)發(fā)率的報道有所不同［18］，究其原因與醫(yī)療衛(wèi)生技術(shù)、居民生活經(jīng)濟水平、區(qū)域性糖尿病防治教育普及程度、糖尿病高危足篩查及精準(zhǔn)診療等因素有關(guān)。提前對高危足進行篩查和防治對預(yù)防DFUs 復(fù)發(fā)尤為重要［19］。通過數(shù)據(jù)挖掘技術(shù)形成的預(yù)測模型有助于在院外盡早識別DFUs 復(fù)發(fā)的危險因素，可及早發(fā)現(xiàn)DFUs 好發(fā)的患病高危人群，對高危人群實施干預(yù)措施，對于有嚴(yán)重復(fù)雜并發(fā)癥的DFUs，可啟動快速轉(zhuǎn)診路徑，送往專業(yè)的足病治療中心，對提高人群健康水平意義重大。

本研究從簡單個人水平和復(fù)雜臨床水平分別篩選出與DFUs 復(fù)發(fā)相關(guān)的影響因素，運用機器學(xué)習(xí)算法建立最優(yōu)預(yù)測模型，最后進行模型評價。多因素Logistic 回歸分析結(jié)果顯示，BMI、糖尿病病程、吸煙史、足潰瘍分級、糖化血紅蛋白、潰瘍位置在腳底、足部自我管理行為和DFUs 風(fēng)險感知水平是DFUs 患者1 年內(nèi)DFUs復(fù)發(fā)的影響因素，與大多數(shù)研究結(jié)果相符［5，8，10］，為DFUs 復(fù)發(fā)的早期篩查與防治提供了可行干預(yù)方案。

目前，許多關(guān)于DFUs 復(fù)發(fā)風(fēng)險的研究常使用傳統(tǒng)或常見的機器學(xué)習(xí)算法建立模型，很少采用多種機器學(xué)習(xí)算法進行多樣化建模來比較模型預(yù)測性能。本研究預(yù)測模型指標(biāo)篩選共納入22 個變量，將多因素Logistic 回歸分析中有統(tǒng)計學(xué)意義的8 個因素納入模型構(gòu)建，分別建立Logistic 回歸、SVM 與BPNN 風(fēng)險預(yù)測模型，并且在測試集中評估了三種模型的預(yù)測效能，研究結(jié)果顯示，三種預(yù)測模型AUC 均>0.70，正確率均>80%，表示具有較高的準(zhǔn)確性和良好的預(yù)測能力［20］。訓(xùn)練集與測試集中SVM 模型的各項評價指標(biāo)均高于Logistic 回歸和BPNN 模型，BPNN 相比Logistic 模型的召回率較低，但查準(zhǔn)率更準(zhǔn)確。僅用單個指標(biāo)無法對算法的效果進行總體評價，為調(diào)和查準(zhǔn)率與召回率的差異，更加準(zhǔn)確地評價模型的綜合性能，本研究使用F1 指數(shù)對各模型預(yù)測效果進行綜合評價，其結(jié)果為BPNN>Logistic 回歸，可能與樣本量和變量數(shù)影響預(yù)測模型的效能有關(guān)系，本研究中測試集的預(yù)測數(shù)據(jù)量有限，限制了BPNN 算法的優(yōu)勢。綜合上述指標(biāo)，基于SVM 模型構(gòu)建的預(yù)測模型具有良好診斷效能且更為穩(wěn)定，在預(yù)測DFUs 復(fù)發(fā)方面的正確率、靈敏度和AUC 等性能指標(biāo)上優(yōu)于其他兩種模型，提示通過結(jié)合臨床病例資料和患者報告結(jié)局資料所建立的預(yù)測模型可作為有效預(yù)測DFUs 復(fù)發(fā)的輔助決策工具，具有良好的應(yīng)用前景。

機器學(xué)習(xí)算法在獲取數(shù)據(jù)體征與分析復(fù)雜數(shù)據(jù)方面具有顯著優(yōu)勢，從早期經(jīng)典的邏輯回歸統(tǒng)計、決策樹分析等傳統(tǒng)方法，到新興的深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，機器學(xué)習(xí)已被廣泛應(yīng)用于各個領(lǐng)域［21］。不同模型具有各自的優(yōu)勢，與SVM 模型相比，BPNN 模型存在局部極小值和收斂速度慢等不足，與Logistic 回歸模型相比，SVM 模型不直接依賴于數(shù)據(jù)分布，而對于多維、非線性醫(yī)療數(shù)據(jù)，SVM 在分類性能、泛化能力、建模計算量等方面具有明顯優(yōu)勢［22］；Logistic 回歸模型中的回歸系數(shù)雖可解釋各個影響因素的流行病學(xué)意義，但是卻無法對存在嚴(yán)重共線性的變量做出明確解釋［23］。

綜上所述，基于SVM 的DFUs 復(fù)發(fā)風(fēng)險預(yù)測模型效果最優(yōu)，運用于DFUs 臨床評估將有助于提高易復(fù)發(fā)人群篩查率，可以提前給予復(fù)發(fā)風(fēng)險預(yù)警，利于降低疾病負(fù)擔(dān)且節(jié)約醫(yī)療成本，為DFUs 防治提供一定的臨床指導(dǎo)和幫助。除此之外，在臨床科研方面，通過預(yù)測復(fù)發(fā)風(fēng)險實現(xiàn)對患者的分組，從而控制組間的可比性。由于本研究僅關(guān)注了DFUs 的短期預(yù)后結(jié)局，今后可擴充樣本量，納入不同地域的人群，開展多中心和大樣本的隊列研究，探索新的輸入變量，優(yōu)化模型準(zhǔn)確度，進一步驗證預(yù)測模型的效能，并采用多種機器學(xué)習(xí)算法，如決策樹和隨機森林等進行比較，聯(lián)合預(yù)測以綜合判斷模型的預(yù)測價值，構(gòu)建更權(quán)威的模型算法提升研究的準(zhǔn)確性和推廣性。

作者貢獻：張娟提出研究思路，設(shè)計研究方案，研究的實施與可行性分析，包括復(fù)發(fā)風(fēng)險預(yù)測模型建模思路，數(shù)據(jù)收集，文章的構(gòu)思和論文撰寫；張娟、李海芬、李小曼、姚苗、馬惠珍負(fù)責(zé)篩選研究對象，數(shù)據(jù)采集和整理，構(gòu)建預(yù)測模型統(tǒng)計學(xué)處理，結(jié)果的分析與解釋，圖表的設(shè)計和制作；馬強負(fù)責(zé)論文的修訂，負(fù)責(zé)文章的質(zhì)量控制及審校，提供研究經(jīng)費及材料支持，對文章整體負(fù)責(zé)，監(jiān)督管理。

本文無利益沖突。