基于KNN算法与logistic回归的代谢综合征风险预测模型构建与对比研究

摘要：

目的 构建基于K最近邻(KNN)算法和logistic回归的代谢综合征预测模型并比较两种模型对代谢综合征的预测效能.方法 纳入6 793例研究对象进行数据分析,构建基于KNN算法和logistic回归的预测模型,对模型进行内部验证及外部验证,采用多维度指标对预测性能进行评估,对比两种预测模型的预测效能.结果 基于KNN算法预测模型的内部验证曲线下面积(AUC)为0.776(95％CI:0.764～0.788)、校准截距为 0.028(95％CI:-0.031～0.089)、校准斜率为 1.181(95％CI:1.106～1.257)、布里尔分数为 0.157;外部验证 AUC 为 0.780(95％CI:0.768～0.791)、校准截距为 0.262(95％CI:0.207～0.317)、校准斜率为 1.053(95％CI:0.990～1.117)、布里尔分数为0.167.基于logistic回归预测模型内部验证AUC为0.783(95％CI:0.772～0.795)、校准截距为-0.008(95％CI:-0.088～0.073)、校准斜率为 0.995(95％CI:0.934～1.058)、布里尔分数为0.156;外部验证 AUC为0.782(95％CI:0.771～0.793)、校准截距为-0.045(95％CI:—0.113～0.022)、校准斜率为1.006(95％CI:-0.011～1.063)、布里尔分数为0.164.结论 在代谢综合征的风险预测上,logistic回归预测模型表现优于基于KNN算法预测模型.

关键词：代谢综合征、预测模型、K最近邻算法、机器学习、logistic回归

所属期刊栏目：52

分类号：R589(内分泌腺疾病及代谢病)

资助基金：贵州省人民医院人才项目;浙江省医药卫生重大科技计划

在线出版日期：2023-08-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：2019-2023,2029