基于集成学习的急性肝功能衰竭预测

缪 孟阁, 罗 启仁, 沈 幸梓, 梁 家浩, 程 枫
广东白云学院

摘要


急性肝功能衰竭（ALF）具有发病率低、疾病进展凶险且临床表现高度异质性等特点，深入了解并掌握急
性肝功能衰竭的发病机制和诊疗策略是实现急性肝功能衰竭早期诊断、及时并恰当处理的重要基础。本文基于 2008-
2009年和 2014-2015年调查中获取的 6000名 20岁或以上成年人的相关信息，分析诱发急性肝衰竭的危险因素，并基
于 XGBoost模型对肝衰竭进行预测，模型预测准确率可以达到 91.60%，为急性肝功能衰竭诊治提供参考。

关键词


集成学习；XGBoost模型；急性肝功能衰竭预测

全文:

PDF


参考


[1]S. Mohan, C. Thirumalai and G. Srivastava, "Effective

Heart Disease Prediction Using Hybrid Machine Learning

Techniques," in IEEE Access, vol. 7, pp. 81542-81554, 2019.

[2]张庆，段丽瑶，柳艳香，等.集成多种机器学习

算法的哮喘疾病发病风险预测模型研究 [J].环境卫生学杂

志，2024，14（02）：113-120.

[3]CASTILLO-BARNES D, RAMIREZ J, SEGOVlA

F, et al.Robust ensemble classification methodology for

1123-ioflupane sPECT images and multiple heterogeneous

biomarkers in the diagnosis of Parkinson’s diseasel. Frontiers

in Neuroinformatics, 2018.

[4]李韦，商红叶，刘向津，等.老年非酒精性脂肪

肝疾病进展危险因素及临床预测价值 [J].中国老年学杂

志，2024，44（11）：2610-2613.

[5]欧阳平，李小溪，冷芬，等.机器学习算法在体

检人群糖尿病风险预测中的应用 [J].中华疾病控制杂志，

2021，25（07）：849-853+868.

[6]王鑫，廖彬，李敏，等.融合 LightGBM与 SHAP

的糖尿病预测及其特征分析方法 [J].小型微型计算机系

统，2022，43（09）：1877-1885.

[7]张小雪，张祖婷，刘莉，等.基于决策树和逻辑

回归算法的辅具适配模型研究与实现 [J].中国康复医学杂

志，2023，38（08）：1108-1113.

[8]Chen T , Guestrin C .XGBoost: A Scalable Tree

Boosting System[J].ACM, 2016.

[9]于玲，吴铁军.集成学习：Boosting算法综述 [J].

模式识别与人工智能，2004，17（1）：52-59.

[10]N. V. Chawla, K. W. Bowyer, L. O. Hall, W. P.

Kegelmeyer. SMOTE: Synthetic Minority Over-sampling

Technique[J]. Journal Of Artificial Intelligence Research,

Volume 16, pages 321-357, 2002.

[11]Huang J , Ling C X .Using AUC and accuracy

in evaluating learning algorithms[J].IEEE Transactions on

Knowledge & Data Engineering, 2005, 17(3):299-310


Refbacks

  • 当前没有refback。