3种机器学习算法对剖宫产产妇术中低体温风险预测性能比较  

作　　者：刘鲁华 邹晓银[1] 章芬 

机构地区：[1]南昌市第一医院,330002 [2]南昌市卫生健康促进中心,330008

出　　处：《全科护理》2025年第5期923-927,共5页Chinese General Practice Nursing

基　　金：江西省卫生健康委员会科技计划项目,编号:202311219。

摘　　要：目的:基于Logistic回归、随机森林以及决策树3种机器学习算法分别构建剖宫产产妇术中低体温的预测模型,分析并比较不同模型的效能及预测价值。方法:选取2021年6月—2024年6月医院行剖宫产手术的190例产妇为研究对象,按7∶3的比例,采用随机抽样法将190例产妇分为训练集(n=133)和验证集(n=57),并根据是否发生术中低体温分为低体温组和未发生低体温组,收集产妇的临床资料并进行分析。基于单因素及多因素分析结果构建Logistic回归、随机森林和决策树预测模型,采用受试者工作特征(ROC)曲线下面积(AUC)分析模型效能及预测价值。结果:训练集中低体温组产妇35例(26.32%),验证集中低体温组产妇19例(33.33%),产妇低体温发生率为28.42%(54/190)。多因素分析结果显示,合并甲状腺功能减退、采取主动保温措施、术中液体丢失量、入室时室温、术中室温及术中输血均为术中低体温的独立影响因素(均P<0.05)。Logistic回归、决策树和随机森林预测模型的准确度分别为0.879,0.887,0.889,灵敏度分别为0.829,0.814,0.974,特异度分别为0.888,0.839,0.862,召回率分别为0.829,0.814,0.974,精确率分别为0.812,0.795,0.841,F1值分别为0.820,0.804,0.902。ROC曲线分析显示,Logistic回归、决策树和随机森林预测模型的ROC的AUC分别为0.909,0.880,0.925,随机森林的AUC均高于Logistic回归及决策树,且验证集中随机森林模型的AUC为0.912(均P<0.05)。结论:随机森林模型对剖宫产产妇术中低体温风险的预测性能优于Logistic回归及决策树。

关 键 词：LOGISTIC回归 随机森林 决策树 剖宫产 术中低体温 

分 类 号：R47[医药卫生—护理学]