Добавил:
Sekretar
kiopkiopkiop18@yandex.ru
t.me/Prokururor I Вовсе не секретарь, но почту проверяю
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Ординатура / Хирургия / Библиотека им академика М.И. Перельмана / Книга_1875_Библиотеки_им_академика_М_И_Перельмана
.pdf
91
− Максимальное количество итераций: 50, 60, 70, 80, 90, 100;
− Значения критерия останова алгоритма оптимизации: 0,0005, 0,005, 0,05,
0,1.
В результате была получена модель со следующими характеристиками:
тип регуляризации – эластичная сеть, коэффициент L
1
регуляризации – 0,1,
обратный коэффициент L
2
регуляризации – 1,5, максимальное число итераций
– 60, критерий останова – 0,005:
Уравнение модели:
p = 1 / (1 +
) * 100% (16)
z = 0,189 + 0,025*
Матрица классификации представлена в таблице 15.
92
Таблица 15. Матрица классификации пациентов с гипокальциемией на 1-3 сутки после ПТЭ (n=177) и без нее
(n=157) с помощью логистической регрессионной модели
Са крови на 1-3 сутки после ПТЭ
Есть гипокальциемия
Нет гипокальциемии
Результат модели
(обучающая
выборка)
Прогнозируется
гипокальциемия
97
46
ПЦПР(%)=67,8 (59,8; 74,9)
Не прогнозируется
гипокальциемия
26
64
ПЦОР(%)=71,1 (61,0; 79,5)
ДЧ(%)=78,9 (70,8; 85,1)
ДС(%)=58,2 (48,8; 67,0)
Результат модели
(тестовая выборка)
Прогнозируется
гипокальциемия
36
15
ПЦПР(%)=70,6
Не прогнозируется
гипокальциемия
18
32
ПЦОР(%)=64,0
ДЧ(%)=66,7
ДС(%)=68,1
93
Операционные характеристики модели представлены в таблице 15.
Таким образом, модель прогнозирует развитие гипокальциемии у пациентов с
ПГПТ после ПТЭ с вероятностью от 60 до 75% и исключает ее с вероятностью
от 61 до 80%.
3.2.2.3. Искусственная нейронная сеть
В поисках лучших моделей далее были предприняты попытки
построения ИНС. Использован тот же набор 13 предикторов.
Строились ИНС различных топологий. Наилучшие результаты были
получены на модели четырехслойного персептрона, содержащего 13 нейронов
во входном слое, 64 нейрона в первом скрытом слое, 16 нейронов во втором
скрытом слое, 2 нейрона в выходном слое, функция оптимизации – линейный
выпрямитель ReLU для нейронов скрытого слоя и softmax для нейронов
выходного слоя. Количественные данные предварительно стандартизируются.
Матрица классификации представлена в таблице 16.
94
Таблица 16. Матрица классификации пациентов с гипокальциемией на 1-3 сутки после ПТЭ (n=177) и без нее
(n=157) с помощью ИНС
Са крови на 1-3 сутки после ПТЭ
Есть гипокальциемия
Нет гипокальциемии
Результат модели
(обучающая
выборка)
Прогнозируется
гипокальциемия
91
44
ПЦПР(%)=67,4 (59,1; 74,7)
Не прогнозируется
гипокальциемия
32
66
ПЦОР(%)=67,3 (57,6; 75,8)
ДЧ(%)=74,0 (65,6; 80,9)
ДС(%)=60,0 (50,7; 68,7)
Результат модели
(тестовая выборка)
Прогнозируется
гипокальциемия
39
20
ПЦПР(%)=66,1
Не прогнозируется
гипокальциемия
15
27
ПЦОР(%)=64,3
ДЧ(%)=72,2
ДС(%)=57,4
95
Общая точность прогнозирования на обучающей выборке составила
67%, на тестовой – 65%. Операционные характеристики модели, построенной
на основе ИНС на обучающей выборке, приведены в таблице 16. При
валидации результатов на тестовой выборке пациентов был получен
удовлетворительный результат – все оценки операционных характеристик
попадают в рассчитанные по обучающей выборке ДИ.
Таким образом, модель прогнозирует развитие гипокальциемии у
пациентов с ПГПТ после ПТЭ с вероятностью от 62 до 73% и исключает ее с
вероятностью от 60 до 75%.
3.2.2.4. Классификатор случайный лес
Далее в поиске лучшей модели был использован метод случайный лес.
Использовали тот же набор 13 предикторов. В качестве бинарного отклика –
развитие гипокальциемии на 1-3 сутки после радикальной ПТЭ (в формате
да/нет). Модель обучали на различном количестве деревьев различной
глубины. Лучший результат был выбран с помощью модуля GridSearchCV.
Данный модуль построил 600 000 деревьев с различными параметрами:
− Количество деревьев-решений в лесу: [1:1000] с шагом 1;
− Максимальная глубина дерева: [1:6] с шагом 1;
− Минимальное количество выборок, необходимое для разделения
внутреннего узла: [1:10] с шагом 1;
− Минимальное количество выборок, необходимое для конечного
узла: [1:10] с шагом 1.
В итоге лучший результат получен на модели с 16 деревьями решений
глубины 3. В модели использованы все 13 предикторов:
1. Пол.
2. Возраст на момент операции.
3. ПТГ.
96
4. Кальций общий.
5. Фосфор.
6. ЩФ.
7. ОК.
8. Степень снижения МПК.
9. 25(OH)D.
10. Колекальциферол.
11. Бисфосфонаты.
12. Деносумаб.
13. Цинакальцет.
Матрица классификации представлена в таблице 17.
97
Таблица 17. Матрица классификации пациентов с гипокальциемией на 1-3 сутки после ПТЭ (n=177) и без нее
(n=157) и без нее с помощью классификатора случайный лес
Са крови на 1-3 сутки после ПТЭ
Есть гипокальциемия
Нет гипокальциемии
Результат модели
(обучающая
выборка)
Прогнозируется
гипокальциемия
99
28
ПЦПР(%)=78,0 (70,0; 84,3)
Не прогнозируется
гипокальциемия
24
82
ПЦОР(%)=77,4 (68,5; 84,3)
ДЧ(%)=80,5 (72,6; 86,5)
ДС(%)=74,5 (65,7; 81,8)
Результат модели
(тестовая выборка)
Прогнозируется
гипокальциемия
42
16
ПЦПР(%)=72,4
Не прогнозируется
гипокальциемия
12
31
ПЦОР(%)=72,1
ДЧ(%)=77,8
ДС(%)=66,0
98
Общая точность прогнозирования на обучающей выборке составила
78%, на тестовой – 72%. Операционные характеристики модели приведены в
таблице 17. При валидации результатов на тестовой выборке пациентов был
получен удовлетворительный результат – все оценки операционных
характеристик попадают в рассчитанные по обучающей выборке ДИ.
Таким образом, модель прогнозирует развитие гипокальциемии у
пациентов с ПГПТ после ПТЭ с вероятностью от 66 до 76% и исключает ее с
вероятностью от 67 до 81%.
3.2.2.5. Категориальный градиентный бустинг
Следующим этапом являлось построение математической модели на
основе ансамблевого метода категориального градиентного бустинга.
Использовали тот же набор 13 предикторов. В качестве бинарного отклика –
развитие гипокальциемии на 1-3 сутки после ПТЭ (в формате да/нет). Модель
обучали на различном количестве деревьев различной глубины. Лучший
результат был выбран с помощью модуля GridSearchCV. Данный модуль
построил 54 000 моделей с различными параметрами:
− Число итераций (количество деревьев решений): [1:1000] с шагом 1;
− Максимальная глубина дерева: [1:6] с шагом 1;
− Шаг обучения: 0,0005, 0,005, 0,01, 0,02, 0,03, 0,04, 0,05, 0,06, 0,07.
В результате лучший результат получен на модели с 200 деревьями-
решений глубины 3 и шагом обучения 0,03. В модели использовано 13
предикторов:
1. Пол.
2. Возраст на момент операции.
3. ПТГ.
4. Кальций общий.
5. Фосфор.
6. ЩФ.
99
7. ОК.
8. Степень снижения МПК.
9. 25(OH)D.
10. Колекальциферол.
11. Бисфосфонаты.
12. Деносумаб.
13. Цинакальцет.
Матрица классификации представлена в таблице 18.
100
Таблица 18. Матрица классификации пациентов с гипокальциемией на 1-3 сутки после ПТЭ (n=177) и без нее
(n=157) и без нее с помощью метода категориальный градиентный бустинг
Са крови на 1-3 сутки после ПТЭ
Есть гипокальциемия
Нет гипокальциемии
Результат модели
(обучающая
выборка)
Прогнозируется
гипокальциемия
106
25
ПЦПР(%)=80,9 (73,3; 86,7)
Не прогнозируется
гипокальциемия
17
85
ПЦОР(%)=83,3 (74,9; 89,3)
ДЧ(%)=86,2 (79,0; 91,2)
ДС(%)=77,3 (68,6; 84,1)
Результат модели
(тестовая выборка)
Прогнозируется
гипокальциемия
47
10
ПЦПР(%)=82,5
Не прогнозируется
гипокальциемия
7
37
ПЦОР(%)=84,1
ДЧ(%)=87,0
ДС(%)=78,7
Соседние файлы в папке Библиотека им академика М.И. Перельмана