Page 123 - 《中国药房》2025年11期
P. 123

1.4 模型特征的选取                                        2 结果
              考虑到三分类模型和二分类模型所采用的数据集                          2.1 2类模型的数据基线特征比较
          大小并不相同，本研究采用 XGBoost 算法（XGBoost 特                      2 类模型采用的数据集的基线特征见表 1。结果显
          征筛选具有较高的稳健性）对特征重要性进行评分，以                           示，在三分类模型中，仅给药途径（口服）在训练集和测
          对这2种分类方法的模型特征变量进行排序和选取。在                           试集中差异具有统计学意义（P＜0.05），其余指标差异
          得到各模型的特征排序后，从排名前10位的特征开始训                          均无统计学意义（P＞0.05）；在二分类模型中，性别
          练模型，观测模型准确率，并依次递增特征数量，直至分                         （男）、合并使用其他抗癫痫药、合并使用蛋白酶抑制剂
          类模型的准确率基本收敛到稳定值，将收敛时的特征选                           在训练集和测试集中差异具有统计学意义（P＜0.05），
          取为模型特征。                                            其余指标差异均无统计学意义（P＞0.05）。
          1.5 模型构建与性能评价                                      2.2 2类模型的特征评分及特征选取结果
              结合上述XGBoost方法选取出的特征，分别构建针
                                                                 采用XGBoost排序的特征进行模型训练，当特征数
          对 VPA 血药浓度预测的三分类以及二分类模型。本研
                                                             量递增到16个时，各分类模型的准确率基本收敛到稳定
          究采用随机森林（Random Forest）、梯度提升决策树
                                                             值，此时各分类模型前16个特征的重要性评分之和已经
         （Gradient Boosting Decision Tree，GBDT）、自适应提升
                                                             超过了97%。因此，本研究采用前16个特征进行模型训
          算法（Adaptive Boosting，AdaBoost）等 12 种常见的机器
                                                             练，其详细信息见表 2。根据表 2 可知：（1）在三分类和
          学习算法构建预测模型。为了更加公平地比较各种算
                                                             二分类模型的前 16 个特征中，相同特征有 15 个。（2）合
          法的性能，各算法均使用XGBoost算法选择的相同特征
                                                             并肾病和合并电解质紊乱对2个模型的影响差异较大。
          子集进行训练。训练过程的调优过程为：在过采样后的
                                                             其中，合并肾病在三分类模型中的 XGBoost 评分排第 1
          训练数据集合内，对各模型的参数进行超参数组合，并
                                                             位，但在二分类模型中的评分仅排第15位；合并电解质
          进行超参数空间的有限穷举网格搜索，最后利用5折交
                                                             紊乱在三分类模型中的 XGBoost 评分排第 3 位，但未出
          叉验证法筛选最优超参数组合。
                                                             现在二分类模型中。（3）结合2类模型的数据基线特征比
              本研究通过准确率、F1分数以及受试者工作特征曲
                                                             较结果和表2可以看出，尽管性别（男）这一特征在训练
          线 下 面 积（area  under  the  working  characteristic  curve，
                                                             集与测试集间存在分布差异（P＜0.05），但其在XGBoost
          AUC）3个指标对模型的性能进行比较，并挑选出表现最
                                                             模型特征重要性排名中位列第4位（二分类模型中），表
          佳的模型进行深入分析。其中，准确率反映了模型正确
                                                             明该特征与VPA血药浓度关联性较强，仍具有潜在预测
          分类的样本占总样本的比例，但当样本分布不均时，其
                                                             价值，故保留用于模型训练。
          可能会产生误导性结果；F1分数是精确率和召回率的调
                                                             2.3 2类模型的性能分析结果
                                                [13]
          和平均值，能够更加全面地评价模型的性能 ；AUC 能
                                                                 12 种机器学习方法在不同分类模型中的性能分析
          够综合反映模型的整体分类能力，并具有区分正、负样
                                                             结果见表3。
          本的能力以及模型的泛化能力。为了进一步提升模型
                                                             2.3.1 三分类模型中的结果
          的稳健性，本研究还采用机器学习领域常用的5倍交叉
          验证法来验证这12种机器学习方法的性能。此外，本研                              由表 3 可知，在三分类模型中，以 Random Forest 方
                                                             法的表现最佳，其训练集中5倍交叉验证的性能指标为：
          究对三分类和二分类模型的最优方法分别进行了敏感
          性分析，即分析模型对输入数据微小变动的稳健性。模                           准确率 0.716 3、F1 分数 0.714 1；测试集中的性能指标
          型敏感性分析的过程为：通过在测试集上叠加高斯噪声                           为：准确率 0.705 0、F1 分数为 0.704 0。值得注意的是，
         （强度为特征标准差的0.005倍）生成扰动数据；重复100                       在三分类模型中，各机器学习方法的测试集性能普遍低
          次迭代后分别用扰动数据预测模型，统计每次迭代的预                           于训练集，这暗示了数据分布的不一致性以及存在过拟
          测准确率；最后计算所有准确率的平均值和标准差以量                           合的可能性。图 1 进一步展示了 Random Forest 方法在
          化模型预测的稳定性。                                         三分类模型中的学习曲线。从图1可以看出，训练集的
          1.6 统计学方法                                          准确率始终接近于 1，即训练集的拟合程度较高；然而，
              采用 Python 进行数据分析。采用 K-S 检验对数据                  当训练集样本数＜500 时，其准确率基本不超过 0.5；随
          特征的连续变量进行正态性检验，发现数据均不符合正                           着训练集样本数的增加，其交叉验证准确率最终稳定在
          态分布，故采用M（P25，P75 ）表示，不同分类模型中2个数                    0.72左右，与训练准确率差异较大。
          据集之间的差异采用秩和检验进行比较；计数资料用例                               此外，Random Forest 方法在三分类模型中的 AUC
          数或百分比（%）表示，不同分类模型中 2 个数据集之间                        计算结果显示：（1）不足组 vs. （正常组+超限组），
          的差异采用卡方检验进行比较。                                     AUC＝0.24，表明模型对“不足”类别与正常组+超限组


          中国药房  2025年第36卷第11期                                              China Pharmacy  2025 Vol. 36  No. 11    · 1401 ·
   118   119   120   121   122   123   124   125   126   127   128