3種機(jī)器學(xué)習(xí)算法對(duì)維持性血液透析病人衰弱風(fēng)險(xiǎn)預(yù)測性能比較

汪丹丹，姚侃斐，祝雪花

浙江中醫(yī)藥大學(xué)護(hù)理學(xué)院，浙江 310053

維持性血液透析(maintenance hemodialysis,MHD) 是終末期腎病病人主要的治療方式[1]。但MHD 不能替代正常腎臟所有復(fù)雜的代謝和內(nèi)分泌功能，長期血液透析的病人易出現(xiàn)一系列并發(fā)癥，衰弱是最常見的并發(fā)癥之一，其發(fā)病率為46%～50%[2-3]。有研究顯示，衰弱會(huì)增加MHD 病人跌倒、骨折、功能障礙、死亡等的風(fēng)險(xiǎn)，與多種不良健康結(jié)局密切相關(guān)[4-5]。因此，對(duì)MHD 病人進(jìn)行衰弱風(fēng)險(xiǎn)的早期預(yù)測從而降低病人衰弱的發(fā)生率、提高其生活質(zhì)量至關(guān)重要。Logistic 回歸、決策樹CART 和隨機(jī)森林是機(jī)器學(xué)習(xí)算法中的重要分類器，被廣泛應(yīng)用于風(fēng)險(xiǎn)預(yù)測研究中。3 種機(jī)器學(xué)習(xí)算法均能有效預(yù)測疾病的風(fēng)險(xiǎn)因素，但由于運(yùn)算方法不同，3 種算法的預(yù)測性能有所區(qū)別。本研究利用Logistic 回歸、決策樹CART 和隨機(jī)森林3 種算法分別構(gòu)建MHD 病人衰弱風(fēng)險(xiǎn)的預(yù)測模型，并對(duì)比分析3種模型的預(yù)測效果，確定適用于MHD 合并衰弱的風(fēng)險(xiǎn)預(yù)測模型，以期為預(yù)防和早期干預(yù)MHD 病人并發(fā)衰弱提供參考依據(jù)。

1 對(duì)象與方法

1.1 研究對(duì)象

選取2021 年10 月—2022 年3 月于杭州市2 所綜合性醫(yī)院血液凈化中心接受MHD 治療的485 例病人作為研究對(duì)象。納入標(biāo)準(zhǔn)：符合慢性腎臟?。–KD）/終末期腎病（ESRD）診斷標(biāo)準(zhǔn)；年齡≥18歲；規(guī)律血液透析治療≥3個(gè)月 (≥3次/周)，每次透析治療時(shí)間≥3 h；具有一定的認(rèn)知能力和溝通能力，能配合閱讀、書寫或回答問題；知情并自愿參與本研究。排除標(biāo)準(zhǔn)：意識(shí)障礙或有精神疾病病人；調(diào)查前2 個(gè)月內(nèi)發(fā)生重大外傷 (腦外傷、骨折等)和嚴(yán)重后遺癥，或合并有嚴(yán)重危及生命的原發(fā)性疾病者；病歷數(shù)據(jù)不全者。本研究已獲醫(yī)院倫理委員會(huì)批準(zhǔn)(批準(zhǔn)號(hào)：20211014-3)。

本研究樣本量按7∶3 劃分為訓(xùn)練集和測試集。經(jīng)理論研究整合發(fā)現(xiàn)可能的危險(xiǎn)因素有16 個(gè)、MHD 病人衰弱的發(fā)生率為46%～50%，Logistic 回歸模型要求陽性事件數(shù)是自變量的10 倍以上，決策樹CART 及隨機(jī)森林模型要求樣本量大于解釋變量的2 倍，故本研究采用Logistic 回歸模型的樣本量估算方法，納入訓(xùn)練集病人341 例、測試集病人144 例。

1.2 研究工具

1.2.1 臨床觀察指標(biāo)收集表

結(jié)合文獻(xiàn)回顧和臨床專家意見自行設(shè)計(jì)，主要調(diào)查病人的一般資料，如年齡、性別等，生活方式如吸煙史、飲酒史等，疾病用藥情況如血液透析情況等，實(shí)驗(yàn)室指標(biāo)如血管通路類型、血清清蛋白等。

1.2.2 Fried 衰弱表型

本研究以Fried 衰弱表型作為衰弱判定的標(biāo)準(zhǔn)，該量表為Fried 等[6]于2001 年基于臨床大數(shù)據(jù)開發(fā)形成，是臨床認(rèn)可度高的衰弱測評(píng)工具，被廣泛應(yīng)用于血液透析及腎病病人群體中。量表共包含5 個(gè)條目，分別為不明原因的體重下降、自我報(bào)告的疲乏、軀體活動(dòng)量降低、握力下降和步行速度減慢，符合5 個(gè)條目中任意3 個(gè)及以上即為衰弱，符合3～5 個(gè)判定為衰弱。

1.2.3 日常生活活動(dòng)能力量表(Activity of Daily Living Scale, ADL)

該量表由Lawton 等[7]于1969 年編制，是國內(nèi)外常用的用于測評(píng)病人日常生活能力的測評(píng)工具。該量表由軀體性生活自理能力量表和工具性日常生活能力量表兩部分組成，共包含行走、吃飯、穿衣等共14 個(gè)條目。每個(gè)條目分別計(jì)1～4 分，總分為14～56 分，得分越高表示功能缺陷越明顯，14 分為完全正常，＞14～21分為ADL 輕度受損，＞21 分為ADL 重度受損。

1.2.4 醫(yī)院焦慮抑郁量表(Hospital Anxiety and Depression Scale, HADS)

該量表由Zigmond 等[8]于1983 年編制，主要應(yīng)用于篩查綜合醫(yī)院病人的焦慮和抑郁情緒。相較其他焦慮和抑郁量表而言，該量表在醫(yī)院中應(yīng)用較多，更為貼合病人的實(shí)際情況，且題型精簡，可同時(shí)測評(píng)病人的焦慮和抑郁水平，能較大程度地提高病人填寫問卷的質(zhì)量。該量表分為焦慮分量表和抑郁分量表兩部分，分量表各7個(gè)條目，每個(gè)條目分別賦值0～3分，若分量表≥8 分即懷疑有抑郁或焦慮可能。

1.2.5 社會(huì)支持評(píng)定量表(Social Support Rating Scale, SSRS)

該量表由肖水源[9]基于國外較權(quán)威的評(píng)定量表制定，可較好地反映個(gè)體的社會(huì)支持狀況，是國內(nèi)評(píng)定社會(huì)支持水平的主要測評(píng)工具，較多研究證實(shí)該量表具有較好的信效度。量表包含客觀支持（3 個(gè)條目）、主觀支持（4 個(gè)條目）和對(duì)社會(huì)支持的利用度（3 個(gè)條目）3個(gè)維度共10 個(gè)條目，每個(gè)條目依據(jù)所選項(xiàng)分別計(jì)分，得分越高則社會(huì)支持度越高，≤31 分為社會(huì)支持不足。

1.2.6 查爾森合并疾病指數(shù)(Charlson Comorbidity Index,CCI)

該量表由Charlson 等[10]于1987 年為研究合并癥與死亡風(fēng)險(xiǎn)之間的關(guān)系建立，研究證實(shí)共病是MHD 病人預(yù)后的強(qiáng)預(yù)測因子[11-12]，該量表在血液透析病人并發(fā)衰弱的危險(xiǎn)因素研究中具有重要作用。量表共19個(gè)條目，總分0～38 分，得分越高，合并疾病程度越重。

1.2.7 營養(yǎng)風(fēng)險(xiǎn)篩查評(píng)分(Nutrition Risk Screening,NRS-2002)

NRS-2002 由歐洲腸外腸內(nèi)營養(yǎng)學(xué)會(huì)專家基于臨床隨機(jī)對(duì)照試驗(yàn)結(jié)果推薦，用于評(píng)定住院病人的營養(yǎng)風(fēng)險(xiǎn)[13]。該量表既包含各營養(yǎng)指標(biāo)，同時(shí)基于證據(jù)對(duì)疾病的嚴(yán)重程度進(jìn)行評(píng)分以反映因疾病而增加的代謝和營養(yǎng)需求，可全面評(píng)定病人的營養(yǎng)風(fēng)險(xiǎn)，已廣泛應(yīng)用于腎病及血液透析病人中。量表共3個(gè)條目，“是”計(jì)1分，“否”計(jì)0分，總分0～3分，評(píng)分≥3分為存在營養(yǎng)風(fēng)險(xiǎn)。

1.3 資料收集方法

采用面對(duì)面問卷調(diào)查。調(diào)查前，2 名護(hù)理研究生接受相關(guān)知識(shí)的培訓(xùn)和考核，以熟練掌握各量表的評(píng)判標(biāo)準(zhǔn)。調(diào)查中，在征得研究對(duì)象的知情同意后，采用統(tǒng)一的指導(dǎo)語進(jìn)行面對(duì)面資料收集，所有條目均現(xiàn)場填寫，錯(cuò)填或漏填選項(xiàng)及時(shí)反饋、更正，問卷有效回收率為100%。體檢相關(guān)指標(biāo)從臨床電子信息平臺(tái)提取。調(diào)查過程中每周開展雙人交叉審核。

1.4 統(tǒng)計(jì)學(xué)方法

采用SPSS 25.0 進(jìn)行統(tǒng)計(jì)描述，符合正態(tài)分布的定量資料采用均數(shù)±標(biāo)準(zhǔn)差(±s)描述，不符合正態(tài)分布的定量資料采用中位數(shù)、四分位數(shù)[M(P25,P75)]描述，定性資料用頻數(shù)和百分比（%）描述。采用R 4.1.2進(jìn)行模型構(gòu)建，以訓(xùn)練集數(shù)據(jù)進(jìn)行建模，應(yīng)用單因素Logistic 回歸初步篩選影響因素，將P＜0.05 的變量納入后續(xù)研究。采用Logistic 回歸、決策樹CART 和隨機(jī)森林算法分別建立風(fēng)險(xiǎn)預(yù)測模型，利用訓(xùn)練集和測試集數(shù)據(jù)分別對(duì)3 種模型的預(yù)測性能進(jìn)行比較分析。

2 結(jié)果

2.1 MHD 病人衰弱的發(fā)生情況

共納入MHD 病人485 例，其中并發(fā)衰弱者205例(42.27%)。485例病人中，男318例(65.6%)，年齡25～91[62(52,71)]歲；原發(fā)疾病：慢性腎小球腎炎185 例(38.14%)，糖尿病腎病144 例(29.69%)，高血壓腎病28例(5.77%)，其他128 例(26.39%)。訓(xùn)練集納入病人341 例(70.31%)，測 試 集 納 入 病 人144 例(29.69%)。訓(xùn)練集和測試集各基線資料比較差異均無統(tǒng)計(jì)學(xué)意義(P＞0.05)，兩組的衰弱發(fā)生率比較差異無統(tǒng)計(jì)學(xué)意義(χ2=0.958,P=0.328)，提示訓(xùn)練集和測試集的各項(xiàng)指標(biāo)較為均衡。

2.2 MHD 病人衰弱危險(xiǎn)因素的單因素分析

根據(jù)病人是否并發(fā)衰弱，將訓(xùn)練集劃分為衰弱組(n=149)和非衰弱組(n=192)，對(duì)兩組病人的一般狀況開展單因素分析，結(jié)果顯示，兩組病人年齡、性別、體質(zhì)指數(shù)（BMI）、文化程度、職業(yè)、婚姻、吸煙史、每日睡眠時(shí)間、日常鍛煉情況、原發(fā)疾病、多重用藥情況比較差異均有統(tǒng)計(jì)學(xué)意義(P＜0.05)；對(duì)兩組病人的實(shí)驗(yàn)室指標(biāo)進(jìn)行比較，結(jié)果發(fā)現(xiàn)，兩組血肌酐（Scr）、血管通路類型、總蛋白（TP）、清蛋白(ALB)、前白蛋白(PAB)、C反應(yīng)蛋白（CRP）比較差異均有統(tǒng)計(jì)學(xué)意義(P＜0.05)；兩組病人SSRS 得分、CCI 得分、ADL、焦慮、抑郁、NRS-2002比較差異均有統(tǒng)計(jì)學(xué)意義 (P＜0.05)。詳見表1～表3。

表1 MHD 并發(fā)衰弱一般狀況相關(guān)危險(xiǎn)因素單因素分析（n=341)

表2 MHD 并發(fā)衰弱其他危險(xiǎn)因素的單因素分析(n=341)

2.3 MHD 病人衰弱風(fēng)險(xiǎn)的3 種預(yù)測模型

2.3.1 Logistic 回歸模型

將單因素分析篩選出的具有統(tǒng)計(jì)學(xué)意義的22 個(gè)變量作為自變量，進(jìn)行向后逐步回歸分析構(gòu)建模型。連續(xù)性變量以原值輸入，分類及等級(jí)變量賦值見表4。根據(jù)赤池信息準(zhǔn)則（AIC）原則，以最小AIC=164.3 為最優(yōu)值，此時(shí)多因素Logistic 回歸結(jié)果顯示，年齡、性別、日常鍛煉情況、ALB、SSRS 得分、CCI 得分、ADL、NRS-2002 是MHD 病人發(fā)生衰弱的獨(dú)立危險(xiǎn)因素，詳見表5。

表4 多因素Logistic 回歸賦值情況

表5 MHD 并發(fā)衰弱危險(xiǎn)因素的Logistic 回歸分析結(jié)果

2.3.2 決策樹CART 模型

將單因素分析所篩選出的22 個(gè)變量作為預(yù)測因子納入決策樹CART 模型，以基尼系數(shù)為基礎(chǔ)進(jìn)行樹的生長，選擇最小代價(jià)復(fù)雜度剪枝法對(duì)決策樹CART進(jìn)行后剪枝，生成的決策樹CART 模型見圖1。該樹形圖包含5 層，5 個(gè)終末節(jié)點(diǎn)，其中CCI 得分、抑郁分級(jí)、NRS-2002 分級(jí)、年齡、SSRS 得分、性別是決策樹CART 模型的6 個(gè)重要解釋變量。

圖1 MHD 病人衰弱危險(xiǎn)因素的決策樹CART 模型

2.3.3 隨機(jī)森林模型

采用R 語言實(shí)現(xiàn)隨機(jī)森林算法的擬合，經(jīng)過模型驗(yàn)證，總樣本量誤差最小時(shí)樹的數(shù)量為442，此時(shí)OOB誤差為12.32%，模型的精確度較高。采用平均準(zhǔn)確度降低量衡量模型變量的重要性，并采用重復(fù)5 次的十折交叉驗(yàn)證對(duì)變量進(jìn)行取舍，結(jié)果顯示當(dāng)變量數(shù)為7時(shí)OOB（out of bag）最小，故選取前7 個(gè)重要的變量對(duì)初始隨機(jī)森林模型進(jìn)行優(yōu)化，重要性評(píng)分居前7 位的變量分別為CCI 得分、年齡、NRS-2002 得分、性別、抑郁分級(jí)、日常鍛煉情況、吸煙史。變量的重要性排序見圖2。

圖2 隨機(jī)森林模型

2.4 3 種風(fēng)險(xiǎn)模型的預(yù)測性能比較

2.4.1 訓(xùn)練集風(fēng)險(xiǎn)模型預(yù)測性能比較

在訓(xùn)練集中，3 種模型的準(zhǔn)確率均在90%以上，其中隨機(jī)森林模型的準(zhǔn)確率(97.95%)、靈敏度(99.32%)、特異度(96.91%)、陽性預(yù)測值(PPV，96.05%)、陰性預(yù)測值(NPV，99.47%)和Kappa 值(0.958)均高于其他模型。AUC 值由大到小依次排序?yàn)椋弘S機(jī)森林模型(0.998)、Logistic 回 歸 模 型(0.971)、決 策 樹CART 模 型(0.954)，3 種模型AUC 值的兩兩比較結(jié)果顯示，Logistic回歸模型與決策樹CART 模型比較差異無統(tǒng)計(jì)學(xué)意義(P=0.219)，而隨機(jī)森林模型與Logistic 回歸模型、決策樹CART 模型比較差異均有統(tǒng)計(jì)學(xué)意義(P＜0.001)。具體見表6、圖3。

圖3 訓(xùn)練集ROC 曲線

表6 訓(xùn)練集中3 種模型的預(yù)測性能

2.4.2 測試集風(fēng)險(xiǎn)模型預(yù)測性能比較

在測試集中，3 種模型的準(zhǔn)確率均在80%以上，其中隨機(jī)森林模型的準(zhǔn)確率(88.19%)、靈敏度(87.50%)、NPV(93.41%)和Kappa值(0.741)均高于其他模型，Logistic回歸模型的PPV(81.03%)高于其他模型。AUC 值由大到小依次排序?yàn)椋?Logistic 回歸模型(0.957)、隨機(jī)森林 模 型(0.934)、決 策 樹CART 模 型(0.870)，3 種 模 型AUC 值的兩兩比較結(jié)果顯示，Logistic 回歸模型與隨機(jī)森林模型之間差異無統(tǒng)計(jì)學(xué)意義(P=0.367)，而決策樹CART 模 型 與Logistic 回 歸 模 型(P=0.014)、隨 機(jī) 森 林模型(P=0.002)比較差異有統(tǒng)計(jì)學(xué)意義。見表7、圖4。

圖4 驗(yàn)證集ROC 曲線

表7 測試集中3 種模型的預(yù)測性能

3 討論

3.1 MHD 病人衰弱現(xiàn)狀

總體而言，各國家或地區(qū)的MHD 病人衰弱的發(fā)生率仍處于較高水平。本研究發(fā)現(xiàn)MHD 病人衰弱的發(fā)生率為42.27%，與Lee 等[2]的一項(xiàng)系統(tǒng)評(píng)價(jià)結(jié)果相近(43%)，但低于MHD 病人衰弱的發(fā)生率(46%～50%)。究其原因可能與研究對(duì)象相關(guān)，本研究中男性比例高于女性，女性僅為34.3%，且本調(diào)查中受試者的年齡跨度較大，年齡范圍為25～91 歲，而既往研究表明，性別與衰弱存在一定的關(guān)聯(lián)，女性MHD 病人衰弱的發(fā)生率高于男性[14]，此外，既往研究也證實(shí)年齡是衰弱的重要影響因子，年齡越高則衰弱程度越高。另外，由于各研究的地域環(huán)境、樣本選擇均存在差異，在一定程度上也會(huì)使衰弱的發(fā)生率有所不同。因此，早期識(shí)別衰弱發(fā)生的MHD 高危人群，可有效加強(qiáng)醫(yī)護(hù)人員對(duì)MHD 并發(fā)衰弱的早期預(yù)防和及早干預(yù)，從而提高病人的生活質(zhì)量，改善疾病預(yù)后。

3.2 Logistic 回歸、決策樹CART 和隨機(jī)森林模型的共同預(yù)測因子

3 種模型均將年齡、性別、CCI 得分和NRS-2002分級(jí)列為共同預(yù)測因子，且4 個(gè)預(yù)測因子在隨機(jī)森林模型的預(yù)測準(zhǔn)確性排序中位居前列，可見這4 種因素對(duì)于MHD 病人衰弱預(yù)防的意義重大，值得臨床醫(yī)護(hù)人員重視。

3.2.1 年齡

本研究結(jié)果顯示，年齡是3 種風(fēng)險(xiǎn)預(yù)測模型的重要組成要素，在Logistic 回歸模型中OR=1.171，P＜0.001；在決策樹CART 模型中位于第3 層；是隨機(jī)森林模型的第2 重要因子。高齡是MHD 病人并發(fā)衰弱的獨(dú)立危險(xiǎn)因素。隨著年齡的增長，個(gè)體的許多生理機(jī)能都會(huì)衰退，身體成分也會(huì)發(fā)生變化，導(dǎo)致其生理儲(chǔ)備、抗應(yīng)激能力、認(rèn)知功能、免疫功能等下降，脂肪量和肌肉質(zhì)量也隨之減少，從而加速衰弱進(jìn)展[15]。此外，終末期腎病會(huì)加重MHD 病人體內(nèi)的尿毒癥毒素累積，增加蛋白質(zhì)能量消耗和氧化應(yīng)激，進(jìn)而加速病人的衰老過程[16]。

3.2.2 性別

本研究結(jié)果顯示，性別是3 種風(fēng)險(xiǎn)預(yù)測模型的共同預(yù)測因子，在Logistic 回歸模型中OR=15.581，P＜0.001；在決策樹CART 模型中位于第4 層；是隨機(jī)森林模型的第4 重要因子。在所有的年齡組中，女性發(fā)生衰弱的可能性更大，衰弱程度也更高。分析原因可能是：1)肌肉質(zhì)量是衰弱表型的重要組成部分，與衰弱密切相關(guān)，而與男性相比，女性的體重普遍較輕，骨骼肌質(zhì)量較少，肌肉力量較弱，而且女性的活動(dòng)水平較低，更容易發(fā)生肌肉減少癥，增加了衰弱發(fā)生的可能性[17]。2)男女之間存在社會(huì)和行為領(lǐng)域的差異，女性對(duì)疾病的感知更為敏感，也傾向于規(guī)避風(fēng)險(xiǎn)，更愿意報(bào)告自身的健康問題，使得其衰弱檢出率高[18]。3) 由于基因不同，男女之間的內(nèi)分泌有所差異，女性更容易發(fā)生癡呆、抑郁、骨折等慢性疾病，在慢性疾病的影響下衰弱的患病率也更高[19]。

3.2.3 CCI 得分

本研究結(jié)果顯示，CCI 得分與衰弱呈正相關(guān)，在Logistic 回歸模型中OR=1.936，P＜0.001；為決策樹CART 模型的根節(jié)點(diǎn)；是隨機(jī)森林模型的首要重要因子。MHD 病人的CCI 得分越高則衰弱的發(fā)生率越高，這與范炯同[18]的研究結(jié)論相同。CCI 評(píng)分常用于評(píng)估病人的生存與多種疾病狀態(tài)，是一種可有效預(yù)測臨床病人長期死亡率的評(píng)估工具[20]。因?yàn)榻K末期腎病行MHD 病人常合并其他的基礎(chǔ)疾病或誘發(fā)疾病，這些疾病多無法治愈，大大加重了MHD 病人的共病負(fù)擔(dān)和經(jīng)濟(jì)壓力，使得病人長期處于慢性消耗狀態(tài)，生理儲(chǔ)備持續(xù)下降，不同程度地限制病人的活動(dòng)能力，增加病人的負(fù)性情緒，加速衰弱發(fā)展。

3.2.4 NRS-2002 分級(jí)

NRS-2002 分級(jí)是3 種模型的共同預(yù)測因子，在Logistic 回歸模型中OR=35.086，P＜0.001；在決策樹CART 模型中位于第2 層；是隨機(jī)森林模型的第3 重要因子。營養(yǎng)不良與衰弱密切相關(guān)。營養(yǎng)不良可表現(xiàn)出身形消瘦、精神萎靡不振、四肢無力等癥狀，這些表現(xiàn)與衰弱表型中的體重減輕、疲乏和步速減慢3 個(gè)指標(biāo)相重疊。此外，既往研究表明，機(jī)體的低營養(yǎng)狀態(tài)可能導(dǎo)致蛋白質(zhì)合成降解，使得肌肉質(zhì)量下降并引起個(gè)體活動(dòng)量減少，最終導(dǎo)致機(jī)體呈現(xiàn)衰弱狀態(tài)，而由于終末期腎病的慢性消耗，MHD 病人需要滿足更高的營養(yǎng)需求，才能防止或延緩蛋白質(zhì)能量消耗的惡性進(jìn)展[21-22]。

3.3 隨機(jī)森林模型的預(yù)測性能最高

比較3 種模型在訓(xùn)練集和測試集的綜合表現(xiàn)，可確定隨機(jī)森林模型的預(yù)測效果最佳，這一結(jié)果與已有研究[23-24]應(yīng)用機(jī)器學(xué)習(xí)算法預(yù)測臨床結(jié)局的結(jié)果一致。從機(jī)器學(xué)習(xí)算法的特性分析，Logistic 回歸分析因其可解釋性較強(qiáng)，OR 值能直接反映指標(biāo)的風(fēng)險(xiǎn)性大小而被廣泛應(yīng)用于危險(xiǎn)因素研究，但在模型構(gòu)建時(shí)由于該算法對(duì)樣本量和數(shù)據(jù)類型要求較高，易出現(xiàn)模型性能不高、易受缺失數(shù)據(jù)影響等問題[25]。決策樹CART 是一種可解釋性很強(qiáng)的算法，對(duì)缺失變量及數(shù)據(jù)分布類型不敏感，能夠通過樹形圖直觀了解到分類或預(yù)測的過程，但模型結(jié)構(gòu)往往較為復(fù)雜，易出現(xiàn)過擬合和泛化能力弱的問題。隨機(jī)森林算法是一種集成學(xué)習(xí)算法，該算法的本質(zhì)是將若干個(gè)決策樹進(jìn)行組合分析，使得單一樹因各自差異性導(dǎo)致的不同分類邊界變得更為合理，從而減少整體的錯(cuò)誤率，實(shí)現(xiàn)更好的預(yù)測效果。并且隨機(jī)森林算法對(duì)數(shù)據(jù)類型要求不高，能自動(dòng)分析預(yù)測因子的交互作用和非線性效應(yīng)，通過有目的的放回方式對(duì)數(shù)據(jù)進(jìn)行充分利用，能夠有效提高算法的預(yù)測精度，獲得更為準(zhǔn)確、穩(wěn)定和強(qiáng)健的結(jié)果[24]。綜上所述，隨機(jī)森林模型是預(yù)測MHD 病人衰弱風(fēng)險(xiǎn)的最優(yōu)選擇。

4 本研究的不足

本研究的不足之處在于采用便利抽樣法選取病人，僅對(duì)模型進(jìn)行內(nèi)部驗(yàn)證，因而存在地域性的局限性，也無法證明模型的泛化能力，今后應(yīng)擴(kuò)大樣本量，開展多中心研究，并在實(shí)際應(yīng)用中檢驗(yàn)?zāi)Ｐ偷呐R床應(yīng)用性并完善模型，使本研究結(jié)果能為MHD 病人衰弱的預(yù)防提供可靠依據(jù)。