CN119517428A 一种基于多项临床检验指标的pSS预测模型的建立方法及pSS预测系统 （南京鼓楼医院）

一种基于多项临床检验指标的pSS预测模型本发明的目的在于提供一种基于多项临床检验指标的pSS预测模型的建立方法及pSS预测法，本发明提出了一种新的数据处理和分析框2步骤(6)机器学习模型构建：基于筛选的特征构建七种机器学习模型，包括随机森林折交叉验证策略用准确率(ACC)、召回率(Recall)、F1分数、受试者工作特征曲线下面积(AUC)和精确度(Precision)五个指标2.根据权利要求1所述的基于多项临床检验指标的pSS中使用的特征筛选算法为RandomForestClassifier、CV2、F_score、XGBoost、Lasso和3.根据权利要求1所述的基于多项临床检验指标的pS于，步骤步骤(6)机器学习模型构建中所使用的模型包括RF、SVM、LR、GNB、LightGBM、4.根据权利要求1所述的基于多项临床检验指标的pSS预测模型的5.根据权利要求1所述的基于多项临床检验指标的pS37.根据权利要求6所述的基于多项临床检验8.一种基于权利要求6或7所述的基于多项临床检验指标的pSS预测系统的pSS预测方步骤(4)使用模型训练模块基于筛选的特征4[0001]本发明涉及医疗健康数据分析领域，特别是针对原发性干燥综合征(pSS)预测模[0002]原发性干燥综合征(pSS)是一种常见的自身免疫性疾病，传统的预测模型通常依[0003]本发明的目的在于提供一种基于多项临床检验指标的pSS预测模型的建立方法及理和分析框架，实现了对pSS患者的预测模型建立，并揭示了重要特征对模型决策的贡献[0011]步骤(6)机器学习模型构建：基于筛选的特征构建七种机器学习模型，包括RF、5[0027]本发明还提供一种基于所述的基于多项临床检验指标的pSS预测系统的pSS预测[0038]本发明提供了一种基于多项临床检验指标的pSS预测模型的建立方法及pSS预测6[0047]2.特征筛选：使用RandomForestClassifier、CV2、F_score、XGB、Lasso、[0049]4.模型优化与评估：通过五折交叉验证和调整超参数对模型进行优化，并使用7[0063]所述步骤(7)模型优化与评估通过五折交叉验证和网格搜索调参实现；所述步骤8超过80％空值的行以及利用空值所在列计算的平均值填补空值)，对过滤后的样本的临床9[0109]KNN(K_NearestNeighbors):K最近邻算法，根据邻居的类别对未知样本进行分[0138]首先绘制ROC曲线，纵轴为TruePositiveRate(TPR)，横轴为FalsePositive越高，说明模型在正负样本的区分上表现越好。AUC是对模型在不同阈值下性能的整体评[0152]在本发明中，为了更好地理解模型的决策机制以及各个较大的SHAP值(无论是正还是负)表示该特征对模型预测结果有[0175]SHAPDependencePlot:展示单个特征的SHAP值随其特征值的变化情况，体现特征的重要性由其在所有树中分裂节点时所带来的信息增益[0248]方法：LightGBM通过每个特征在所有树中进行分裂的增益贡献来计算特征重要16个特征作为LightGBM输入特征构建的