三種風險預測模型預測鋼鐵工人頸動脈粥樣硬化的效能比較

王嬌嬌，陳圓煜，鄭子薇，楊永忠，陳哲，李超，王海東，武建輝，王國立

頸動脈粥樣硬化（carotid atherosclerosis，CAS）是一種以內膜大、中動脈增厚為特征的病理改變[1]，是心腦血管疾病的誘因[2]，其高發病率和致殘率不同程度地影響著人類健康[3]。鋼鐵工人作為鋼鐵企業的主力軍，長期暴露于粉塵、高溫、噪聲等危險因素并面臨職業緊張和倒班的壓力，CAS發生率也隨之增加[4]。

目前，機器學習已廣泛應用于醫學預測模型，支持向量機（Support Vector Machine，SVM）、BP神經網絡（Back Propagation Neural Network，BPNN）與隨機森林（Random Forest，RF）模型是機器學習中的3項重要技術，其中SVM模型的學習和泛化能力比較強，常應用于文本識別、車輛交通、醫療檢測等領域；BPNN模型在預測和函數逼近方面具有明顯的優勢；RF模型憑借計算效率高、訓練速度快而對各行各業的數據分析均能起到推動作用；三者均能夠從海量數據中快速挖掘出有效信息，但對于不同的數據類型三者的應用效果不同。目前關于3種模型預測鋼鐵工人CAS效能方面的比較還鮮有報道。本研究采用SVM、BPNN和RF模型構建鋼鐵工人CAS的風險預測模型，并比較三者的預測性能，以期為這一群體的健康保護與促進以及CAS的預防提供指導。

1 對象與方法

1.1 研究對象 選取2017年3—6月在唐山市弘慈醫院進行體檢和健康監測的4 568例鋼鐵工人。納入標準：在崗，且工齡≥1年。排除標準：接觸過有害影響因素者（現在不倒班、不接觸高溫作業、噪聲作業），變量信息缺失者。本研究經華北理工大學倫理委員會審核通過（審批號為15006），研究對象均知情同意。……