| 洪显钗;舒美春;林碎丽;翁一心;鲍少蕊;.基于3种机器学习算法构建脑卒中患者隐性误吸风险预测模型[J].护理与康复,2025,24(6):1-6 |
| 基于3种机器学习算法构建脑卒中患者隐性误吸风险预测模型 |
|
| |
| DOI： |
| 中文关键词: 脑卒中 隐性误吸 机器学习 风险预测模型 |
| 英文关键词: |
| 基金项目: |
|
| 摘要点击次数: 613 |
| 全文下载次数: 114 |
| 中文摘要: |
| 目的 构建基于3种机器学习算法的脑卒中患者隐性误吸风险预测模型。方法 采用回顾性研究，选择2020年1月至2024年3月温州医科大学附属第一医院550例脑卒中伴吞咽障碍患者为研究对象。基于生物-心理-社会模式归纳脑卒中患者隐性误吸风险影响因素。采用Python 3.11统计软件分析机器学习中的随机森林、支持向量机、XGBoost算法，建立脑卒中患者隐性误吸风险预测模型。通过受试者工作特征曲线、受试者工作特征曲线下面积、准确率、精确率、召回率和F1分数评估模型的预测性能，对3种预测模型的预测效果进行评估，选择最佳模型。结果 脑卒中后隐性误吸的发生率为57.09%,最终纳入预测模型的5个变量为吞咽功能、患者对隐性误吸的风险感知、食物性状、合并疾病数量、脑卒中次数。XGBoost模型在验证集中的准确率最高(60.91%),受试者工作特征曲线下面积为0.71,召回率和精确率分别为74.11%和62.07%。结论 基于3种机器学习算法构建的脑卒中患者隐性误吸风险预测模型可有效识别影响隐性误吸的关键因素，应用该模型有助于提高隐性误吸的早期识别率。 |
| 英文摘要: |
| |
| 查看全文 查看/发表评论 下载PDF阅读器 |
|
|
|
