基于LASSO回归与随机森林算法的2型糖尿病发病风险因素分析

• 全文链接
• 请求原文

作   者：

苏宇腾;  吕世云;  谢文涵;  李元;  欧阳逸馨;  薛咏茜;  胡美玲;  李舒婷;  周航;  刘相佟; 

作者机构：

首都医科大学公共卫生学院; 

关键词：

随机森林;  回顾性队列研究;  风险因素;  2型糖尿病; 

期刊名称：

环境卫生学杂志

i s s n：

2095-1906

年卷期：

2023 年 13 卷 07 期

页   码：

485-495

摘   要：

目的 基于LASSO回归与随机森林算法分析2型糖尿病的发病风险因素，为临床决策提供参考。方法 以中国健康与养老追踪调查数据库2011年和2015年的数据进行队列研究，调查45岁及以上人群2型糖尿病的风险因素，共纳入3 803名研究对象。研究以人口学变量、生活习惯、血生化指标、2010—2015年气象数据、空气质量监测数据为自变量，糖尿病结局为因变量，采用LASSO回归与随机森林重要性排序进行特征变量选择，构建随机森林预测模型并进行效能评价。结果经随机森林算法分析，空腹血糖、相对湿度、腰围、体质指数、黑碳、硝酸盐、风速、总胆固醇、温度和供暖燃料是2型糖尿病排名前10的重要危险因素。结合LASSO回归与随机森林变量重要性排序构建预测模型。经十折交叉验证，模型灵敏度为62.1%、特异度为98.8%、准确度为95.4%、阳性预测值为89.6%、阴性预测值为96.0%,AUC达84.8%。决策曲线结果显示，模型在阈值0～0.85范围内具有较高的净收益率。结论 高龄、女性、肥胖情况、血检监测数据异常、高血压或卒中病史和环境污染物暴露可能指示2型糖尿病的发生发展，为临床医生对糖尿病高危人群的早期干预提供一定参考依据。