基于机器学习的肺源性脓毒症早期风险预测模型

打开文本图片集

[摘要] 目的 利用生物标志物构建机器学习算法用于预测肺源性脓毒症的风险，辅助临床医生进行决策。方法 依据研究对象的诊断标准，收集纳入者的基础临床资料。将数据集随机分为训练数据集（80%）和验证数据集（20%）。使用特征筛选算法从训练集筛选最佳变量子集，并以此子集构建随机森林（random forest，RF）、极端梯度提升（extremely gradient boosting，XGBoost）、自适应提升（adaptive boosting，AdaBoost）、逻辑回归（Logistic regression，LR）、岭回归（ridge regression，Ridge）和支持向量机（support vector machine，SVM）分类器，再用验证数据集评估模型的泛化能力。（剩余11465字）