| 摘要: |
| 目的:为使用经济、简单、便捷的方法早期识别妊娠期糖尿病(GDM)高风险孕妇，开发并评估多种机器学习模型，筛选出最优疾病预测模型并构建此模型的临床决策支持系统(CDSS)。方法:纳入2023年1月1日至2024年12月30日在大连医科大学附属第二医院就诊的464例孕产妇，其中386例用于建立预测模型(训练集231例、测试集155例),另外78例作为验证集。采用点双列相关和卡方检验的方法，筛选出特征变量后构建4种机器学习模型：逻辑回归、随机森林、支持向量机和极限梯度提升(XGBoost)。初步判断最大权重模型，再进一步比较各模型的区分能力、校准能力、临床实用性以评估选择出最优模型，开发其CDSS,并验证模型的准确性。结果:(1)相关性分析发现，年龄、孕前体质量指数、收缩压、舒张压、白细胞计数、血红蛋白、淋巴细胞比率、空腹血糖、尿酸、直接胆红素、慢性高血压合并妊娠、辅助生殖受孕为GDM的预测因子。(2)XGBoost在集成模型中占主导地位；其区分能力、校准能力和临床实用性在4种模型中均表现最佳，AUC值为0.931(95%CI 0.910～0.967)。(3)通过CDSS验证XGBoost模型的准确度78.2%,敏感度64.7%,特异度82.0%。结论:XGBoost模型早期预测GDM能力最高，开发其CDSS不仅便于医生快速评估GDM风险，还适宜推广至偏远地区，通过远程数据实现高风险人群筛查。 |
| 关键词: 妊娠期糖尿病 极限梯度提升 早期预测 临床决策支持系统 |
| DOI： |
|
| 基金项目:国家自然科学基金(编号：82401990)； |
|
|
|
| () |
| Abstract: |
|
| Key words: |
