在这项研究中,纳入了 2232 名因 AHF 住院的患者
采用方差膨胀因子值和 5 倍交叉验证来选择重要的临床变量
基于方差膨胀因子和基于CatBoost的递归特征消除5倍交叉验证进行特征筛选
然后对剩余特征进行递归特征消除,筛选出的最佳特征子集包含43个特征
通过基于CatBoost的递归特征消除方法对剩余特征进行进一步的特征筛选,以减少数据维数并找到最优的特征组合
应用5种性能较好的机器学习算法开发模型,通过灵敏度、特异性和AUC对判别能力进行综合评估
开发了5种机器学习模型来预测特征筛选后AHF的30 d特定再入院率
采用随机抽样的方法,将所有纳入的患者按7:3的比例分为训练组和验证组
在模型训练中,使用合成少数过采样技术(SMOTE)来减轻不平衡类别的影响
使用网格搜索结合五重交叉验证来优化机器学习模型的超参数