郑老师团队的2025年培训课
如果你需要全文，请公众号后台回复关键词“pdf”。如果你对预测模型感兴趣，不妨看看我们的机器学习构建临床预测模型课程！详情可咨询助教，微信号：aq566665
模型开发与验证
√变量筛选
数据集被分为70%训练集（n =3568）和30%验证集（n =1530），用于开发并验证风险预测模型。
由于复杂的高维数据会影响ML算法的性能，因此，在构建ML模型之前，首先使用Boruta算法，在训练集中识别预测模型所需要的关键因素。
Boruta算法作为一种基于随机森林分类算法的包装器算法，经过多次实时迭代后能够使重要变量更加清晰，其过滤结果比传统特征选择方法更可靠。
最终得到了21个预测因素，用于训练和构建ML模型（包括高血压、年龄、SBP、DBP、性别、PIR、BMI、T2 MHA、T34_MHA、AAMA、AMCC、ATCA、SBMA、CEMA、T3 HPMA、CYMA、DHBMA、T2 HPMA、MHBMA 3、PGA、MA和HMPMA）。
在完成变量选择后，使用合成少数过采样技术（SMOTE）预处理算法来实现训练集中CVD和非CVD人群之间的样本平衡。
√ML预测模型构建
在训练集的基础上，总共使用了六种ML方法进行模型构建。
包括随机森林（RF），光梯度提升机（LightGBM），决策树（DT），极端梯度提升（XGBoost），多层感知器（MLP）和支持向量机（SVM）。
每个模型都有独特的优点。并对每个ML模型进行超参数调优和五重交叉验证，以确保模型的最佳性能和可靠性。
√模型验证
在模型验证中，使用一系列指标评价模型的预测性能。
包括ROC曲线下面积（AUROC）、准确度、平衡准确度、F1评分、J指数、kappa、Matthew相关系数（MCC）、阳性预测值（PPV）、阴性预测值（NPV）、灵敏度（sens）、特异度（spec）。
AUROC的范围为0.5至1.0，AUROC在该范围内越大，预测能力越好。
√模型可解释性
使用SHAP算法阐明具有最佳性能的模型，该算法为每个变量分配了相应的属性值（SHAP值），可定量测量每个特征对预测准确性的影响。
为了可视化每个特征对模型的贡献，生成了SHAP摘要图；
此外，SHAP依赖图用于检验特征之间的相互作用。
本研究中，统计学显著性设定为P<0.05（双尾），所有分析均使用R 4.3.0和Python 3.9.0进行。
RF模型预测性能最好
在测试集上，RF模型具有最好的预测性能和模型拟合，AUROC达到了0.8143 (95% CI: 0.7789-0.8497)，代表了模型优秀的预测能力。
其次，最重要的mVOCs组分是ATCA，仅次于年龄，对CVD的发展具有保护作用。
具体而言，随着年龄的增长，发生CVD的风险增加；
而较高的ATCA水平则与CVD风险降低相关，特别是在高血压患者和老年人中。
闲来郑语
Boruta算法，
SHAP算法
合成少数过采样技术（SMOTE）预处理算法
六种ML方法
公众号后台回复关键词“pdf”，即可获取原文！更多关于临床预测模型与机器学习统计服务，请联系郑老师团队，助教微信：aq566665。
关于郑老师团队及公众号
大型医学统计公众号平台，专注于医学生、医护工作者学术研究统计支持，我们是你们统计助理
2025年将新增R、python机器学习与预测模型、全球老年人纵向健康数据库挖掘、轨迹增长模型课程等。
详情联系助教小董咨询（微信号aq566665）
