PIMA өгөгдлийн багцад суурилан Random Forest алгоритмаар чихрийн шижингийн төлөвийг урьдчилан таамаглах нь

Хураангуй

Үндэслэл: Чихрийн шижин нь дэлхий даяар тархалт нэмэгдэж буй архаг бодисын солилцооны эмгэг бөгөөд эрт илрүүлэлт, эрсдэлийн үнэлгээ нь өвчний хүндрэлээс урьдчилан сэргийлэхэд чухал ач холбогдолтой. Сүүлийн жилүүдэд машин сургалтын аргуудыг эмнэлгийн өгөгдөлд ашиглан өвчний төлөвийг урьдчилан таамаглах, эмнэлзүйн шийдвэр гаргалтыг дэмжих боломжийг судлах болсон хэдий ч манай улсад энэ чиглэлээр хийгдсэн судалгааны ажил хомс байгаа нь энэхүү судалгааны үндэслэл боллоо. Зорилго: PIMA Indians Diabetes Database өгөгдлийн багцад Random Forest ангиллын алгоритм ашиглан чихрийн шижингийн төлөвийг урьдчилан таамаглах загвар боловсруулж, түүний ангиллын гүйцэтгэлийг үнэлэх. Арга, аргачлал: Судалгаанд 768 хүний ажиглалт, найман тайлбарлагч хувьсагч болон нэг зорилтот хувьсагч бүхий PIMA өгөгдлийн багцыг ашиглав. Физиологийн хувьд боломжгүй тэг утгатай зарим хэмжилтийг дутуу утга гэж үзэн NA болгон хувиргаж, медиан утгаар нөхсөн. Өгөгдлийг 80:20 харьцаагаар сургалтын болон тестийн хэсэгт хувааж, сургалтын өгөгдөлд 10-fold cross-validation ашиглан Random Forest загварын гиперпараметрийг тохируулав. Загварын гүйцэтгэлийг Accuracy, Sensitivity, Specificity, Balanced Accuracy, Cohen’s Kappa болон ROC-AUC үзүүлэлтээр үнэлж, хувьсагчдын ач холбогдлыг тодорхойлов. Статистик болон машин сургалтын боловсруулалтыг R программчлалын орчинд гүйцэтгэв. Үр дүн: Хөндлөн баталгаажуулалтын үр дүнд mtry=4 тохиргоо хамгийн сайн гүйцэтгэл үзүүлж, Accuracy 78.05%, Cohen’s Kappa 0.5062 байв. Тест өгөгдөл дээр загварын Accuracy 72.55%, Sensitivity 58.49%, Specificity 80.00%, Balanced Accuracy 69.25%, Cohen’s Kappa 0.3883 гарсан. ROC муруйн доорх талбай (AUC) 0.7802 байсан нь загвар чихрийн шижинтэй болон чихрийн шижингүй тохиолдлыг санамсаргүй ангиллаас илүү сайн ялгах чадвартайг харууллаа. Хувьсагчдын ач холбогдлын шинжилгээгээр цусан дахь глюкозын хэмжээ хамгийн өндөр ач холбогдолтой байсан бөгөөд биеийн жингийн индекс (BMI), нас, жирэмслэлтийн тоо дараагийн чухал хувьсагчид байв. Дүгнэлт: Random Forest алгоритм нь PIMA өгөгдлийн багцад чихрийн шижингийн төлөвийг урьдчилан таамаглах боломжтой боловч тест өгөгдөл дээрх мэдрэг чанар харьцангуй бага байв. Иймээс уг загварыг эмнэлзүйн оношилгоог орлох хэрэгсэл бус, эрсдэлийн урьдчилсан үнэлгээ, эрт илрүүлэлтийг дэмжих боломжит арга хэлбэрээр авч үзэх нь зүйтэй. Цаашид мэдрэг чанарыг сайжруулах, бусад машин сургалтын алгоритмтай харьцуулах, илүү өргөн хүрээний өгөгдөл дээр баталгаажуулах шаардлагатай байна.