利用机器学习模型改进我国脑卒中筛查的脑卒中危险等级分类方法( Using machine learning models to improve stroke risk level classification methods of China national stroke screening )

X Li D Bian J Yu M Li D Zhao

背景：脑卒中具有高发病率、高患病率和高死亡率的特点，给我国家庭和社会带来了沉重的负担。2009年，中国卫生部启动了《中国国家脑卒中筛查与干预计划》，对中国各地40岁以上人群进行脑卒中及其危险因素筛查和高危人群干预。在该项目中，卒中危险因素包括高血压、糖尿病、血脂异常、吸烟、缺乏运动、明显超重和卒中家族史。具有两个以上危险因素或有脑卒中或短暂性脑缺血发作(TIA)病史的人被认为是高危人群。然而，这一标准不可能对危险因素领域中未知值的人群进行卒中危险等级分类。卒中风险水平的缺失导致卒中干预的效率降低和国家一级统计结果的不准确性。本文利用2017年全国脑卒中筛查数据，开发基于机器学习算法的脑卒中风险分类模型，提高分类效率。方法：首先构造训练集和测试集，并基于过采样和欠采样方法对不平衡训练集进行处理。然后，我们用决策树建立了logistic回归模型、Nave贝叶斯模型、贝叶斯网络模型、决策树模型、神经网络模型、随机森林模型、袋装决策树模型、投票模型和boosting模型来划分脑卒中风险等级。结果：基于决策树的boosting模型查全率最高(99.94%)，基于随机森林的模型查全率最高（97.33%）。使用随机森林模型（召回率为98.44%)，召回率将比目前使用的方法提高约2.8%，每年可多识别数千例脑卒中高危人群。结论：本文建立的模型可以改进现有的筛查方法，避免未知值的影响，避免不必要的再筛查和干预费用。国家脑卒中筛查方案可根据实际需要选择分类模型。

SciDown文献求助系统（解决99%问题） Public Download NCBI ResearchGate