基于树模型的儿童咽炎预测及Boruta-SHAP特征分析OA
本文构建了儿童A组β溶血性链球菌(Group Aβ-Hemolytic Streptococcus,GABHS)咽炎机器学习诊断模型,通过特征筛选与可解释性分析评估其临床应用价值。模型纳入了676例儿童咽炎病例,提取了18项临床特征;采用Boruta算法完成特征变量筛选,运用SHAP(SHAPley additive explanations)方法开展模型可解释性分析;对比决策树、随机森林等14种机器学习算法性能,以ROC曲线下面积、准确率、灵敏度、特异度等为核心评价指标。结果显示,极端随机树模型ROC曲线下面积达0.961,为所有模型中最优;决策树模型准确率最高,为91.1%。SHAP可解释性分析表明,猩红热样皮疹、颚部瘀斑是模型阳性预测的核心贡献特征。针对仅具备单一阳性体征(如仅出现颚部瘀斑)的病例,模型仍保持良好识别效能,灵敏度为85.7%。结果表明,基于树模型联合特征筛选方法可显著提升儿童GABHS咽炎诊断准确率,模型决策逻辑与临床诊疗指南具有较高一致性,在基层医疗机构中具备良好的临床推广与应用潜力。
孟微;吴琼;董玉茹;王晴
牡丹江医科大学附属红旗医院小儿内科,黑龙江牡丹江157011牡丹江医科大学附属红旗医院小儿内科,黑龙江牡丹江157011牡丹江医科大学附属红旗医院小儿内科,黑龙江牡丹江157011牡丹江医科大学附属红旗医院小儿内科,黑龙江牡丹江157011
医药卫生
儿童咽炎A组链球菌机器学习机器学习特征选择可解释性分析
《新一代信息技术》 2026 (4)
P.33-38,6
评论