疾病监测

作者：刘嘉骏,秦臻,刘如,罗文凯,贾忠伟,吴令杰,吴嘉

关键词：流行性感冒监测, 极端梯度提升, 住院患者, 沙普利加性解释

目的基于非结构化电子医疗记录，建立针对住院患者的流行性感冒（流感）预测模型，并识别潜在预测因子。方法基于广东省3所医院7265例住院患者的非结构化电子医疗记录，结合机器学习模型构建流感预测模型。 首先通过随机森林、Boruta、极端梯度提升（XGBoost）和χ2检验方法筛选出18个显著预测变量，并对比了随机森林、支持向量机、朴素贝叶斯、多层感知机和XGBoost模型的性能。结果XGBoost模型在内部验证中受试者工作特征曲线下面积为0.92（95%CI：0.92～0.93），准确率为0.86（95%CI：0.86～0.87）；外部验证中AUC为0.67（95%CI：0.61～0.74），准确率为0.79（95%CI：0.76～0.81），综合表现最优。 沙普利加性解释算法在传统的咳嗽、发热、年龄、性别鼻塞等预测因素外，进一步识别出活动受限、头晕、胸闷和纳差等潜在的预测因子。结论本研究建立的模型可辅助临床早期识别流感高危患者，优化诊疗决策，提升医疗资源效率，并识别出潜在的与流感相关的症状。

来源：2026年第1期

《疾病监测》期刊编辑部

查看疾病监测杂志2026年第1期