基于深度神经网络的布鲁氏菌病风险预测模型的构建和验证

基于深度神经网络的布鲁氏菌病风险预测模型的构建和验证

目的采用深度神经网络算法构建布鲁氏菌病预测模型，提升布鲁氏菌病的早期发现效能。方法纳入2023年呼市职业病防治院收治的202例布鲁氏菌病患者与 319例非布鲁氏菌病患者的临床资料，从中提取性别、年龄、血常规指标及临床诊断等数据进行分析。通过深度神经网络算法构建布鲁氏菌病预测模型，并通过十折交叉验证进行模型优化。模型性能评估指标包括灵敏度、假阴性率、特异度、假阳性率、准确率、阳性预测值、阴性预测值、F1分数、受试者工作特征曲线下面积（AUC）。经评估筛选出的最优模型，借助沙普利可加性解释 （SHAP）方法进行解释，明确模型的决策逻辑与各特征的影响机制。结果数据可视化分析显示，布病组与非布病组数据...

Full description

Saved in:
Bibliographic Details
Main Authors: 刘思远, 宋 彪², 刘桂枝, 王君, 薛兰, 苏 杰³, 王宏利, 沈欣
Format: Article
Language:Chinese
Published: Editorial Office of Journal of Sun Yat-sen University 2025-07-01
Series:Zhongshan Daxue xuebao. Yixue kexue ban
Subjects:
布鲁氏菌病
深度神经网络
血常规指标
沙普利可加性解释方法
风险预测模型
Online Access:http://xuebaoyx.sysu.edu.cn/zh/article/doi/10.13471/j.cnki.j.sun.yat-sen.univ（med.sci）.2025.0417/
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:目的采用深度神经网络算法构建布鲁氏菌病预测模型，提升布鲁氏菌病的早期发现效能。方法纳入2023年呼市职业病防治院收治的202例布鲁氏菌病患者与 319例非布鲁氏菌病患者的临床资料，从中提取性别、年龄、血常规指标及临床诊断等数据进行分析。通过深度神经网络算法构建布鲁氏菌病预测模型，并通过十折交叉验证进行模型优化。模型性能评估指标包括灵敏度、假阴性率、特异度、假阳性率、准确率、阳性预测值、阴性预测值、F1分数、受试者工作特征曲线下面积（AUC）。经评估筛选出的最优模型，借助沙普利可加性解释 （SHAP）方法进行解释，明确模型的决策逻辑与各特征的影响机制。结果数据可视化分析显示，布病组与非布病组数据差异不明显。经十折交叉验证筛选出最优模型展现出良好性能，灵敏度为85.3%、特异度为92.1%、准确率为89.5%、AUC为96.6%，95% CI（0.937，0.977）。SHAP方法解释模型发现年龄、血小板计数、血小板平均体积、嗜碱性粒细胞比例、红细胞分布宽度和绝对嗜碱细胞数，对布病发生具有显著影响。结论本研究构建的深度神经网络预测模型性能良好，能为布病早期诊断与防控提供可靠支持。同时，明确布病相关显著影响特征有助于进一步认识疾病发病机制，该模型未来有望在临床广泛推广。
ISSN:1672-3554

Similar Items