论文部分内容阅读
目的采用机器学习技术构建儿童甲型流行性感冒并发危重症肺炎的个体化预测模型,充分挖掘高危因素,以及早开展精准预防治疗措施改善预后。方法收集儿童甲型流行性感冒肺炎患儿的临床数据;采用机器学习XGBoost算法,分别基于临床全指标和临床常用指标构建2套诊断预测模型,对比2个模型的诊断价值及相应用于预测指标的重要性排名。结果全指标预测模型的准确度、模型诊断结果与观察结果一致性判断指标Kappa值、ROC曲线下面积(area under curve,AUC)、敏感度、阳性预测值、阴性预测值均优于临床常用指标预测模型