基于自我报告的饮水量，利用机器学习方法预测24小时尿液检测结果

《Journal of Renal Nutrition》：Machine learning approaches to predict 24-hour urine collection results based on self-reported beverage intake

　　

李世宇（Shiyu Li）|内科尔·斯特里珀（Necole Streeper）|尼拉姆·拉姆（Nilàm Ram）|杰米·佐尔纳（Jamie Zoellner）|克里斯蒂娜·彭尼斯顿（Kristina Penniston）|大卫·E·康罗伊（David E. Conroy）

美国密歇根州安娜堡市密歇根大学运动学学院

摘要

目的

通过重复进行24小时尿液收集来评估肾结石复发的风险因素，但这种方法成本高昂且操作繁琐。本研究旨在开发并验证机器学习模型，以便根据患者自报的饮水量预测24小时尿量，并判断其是否遵循预防肾结石复发的指南。

设计与方法

数据来源于两项临床试验：试验1（开发数据集：n=380）和试验2（验证数据集：n=142）。回归模型（线性回归、回归树、随机森林、支持向量机）被用于预测连续24小时尿量；分类模型（逻辑回归、分类树、随机森林、支持向量机）则用于预测尿量低于2升的情况。

结果

在人口统计特征、24小时尿量或自报饮水量方面，开发数据集与验证数据集之间没有显著差异。随机森林模型在训练数据集和外部验证数据集中均表现出最佳的预测效果。该模型在预测高尿量方面表现优异，但存在过拟合的风险。所有分类模型均具有较高的阴性预测值，能够可靠地识别出尿量较低的患者。

结论

基于患者自报饮水量和人口统计特征的机器学习模型能够预测肾结石患者的24小时尿量。这些模型能够可靠地识别出尿量超过2升/天的患者，但在识别尿量较低的患者方面效果较差。应考虑引入更多输入变量以提升预测准确性，并帮助识别那些可以从调整饮水量中受益的患者。