
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于机器学习的狂犬病暴露患者健康焦虑变化轨迹分析
《BMC Public Health》:Analysis of health anxiety trajectories in rabies exposure patients based on machine learning
【字体: 大 中 小 】 时间:2026年07月14日 来源:BMC Public Health 4.4
编辑推荐:
摘要目的旨在明确初次接触狂犬病患者的健康焦虑动态演变轨迹,并运用机器学习算法对健康焦虑的演变趋势进行预测分析。方法2024年1月至2025年10月期间,从南宁的一家三级医院中选取了548名狂犬病暴露患者。这些患者在按照5剂次免疫计划接种疫苗后,在暴露后的0天、3天、7天、14天和
旨在明确初次接触狂犬病患者的健康焦虑动态演变轨迹,并运用机器学习算法对健康焦虑的演变趋势进行预测分析。
2024年1月至2025年10月期间,从南宁的一家三级医院中选取了548名狂犬病暴露患者。这些患者在按照5剂次免疫计划接种疫苗后,在暴露后的0天、3天、7天、14天和28天分别通过健康焦虑量表来评估其健康焦虑程度。研究采用了潜变量增长混合模型来确定焦虑的发展轨迹。同时运用了6种机器学习算法构建高风险健康焦虑识别模型,并通过SHAP算法对模型性能进行了全面评估,以便于对模型结果进行解读。
所有548名患者都完成了问卷调查。潜变量增长混合模型识别出了三种健康焦虑发展轨迹:焦虑水平较低且稳定的群体、焦虑水平中度到较高但有所改善的群体,以及焦虑水平持续较高且难以缓解的群体。多变量逻辑回归分析显示,女性、拥有大学学位或更高学历、具备较高的狂犬病知识水平、患有更多合并症、属于III级暴露情况以及延迟接受医疗治疗,这些都是属于“焦虑水平持续较高且难以缓解群体”的独立风险因素。相反,较高的健康素养则被视为一种保护因素。XGBoost模型在独立测试集上的预测性能更为出色,其接收者操作特征曲线下面积为0.881,而SHAP分析则有助于实现临床层面的结果解读。对XGBoost模型的SHAP分析表明,健康素养、感知到的社会支持、狂犬病知识水平、支付方式以及动物来源是预测“焦虑水平持续较高群体”的五个最重要因素。
狂犬病暴露患者的健康焦虑轨迹存在差异性。基于机器学习的预测模型有助于尽早识别出高风险人群,从而为实施精准的心理干预提供依据。
旨在明确初次接触狂犬病患者的健康焦虑动态演变轨迹,并运用机器学习算法对健康焦虑的演变趋势进行预测分析。
2024年1月至2025年10月期间,从南宁的一家三级医院中选取了548名狂犬病暴露患者。这些患者在按照5剂次免疫计划接种疫苗后,在暴露后的0天、3天、7天、14天和28天分别通过健康焦虑量表来评估其健康焦虑程度。研究采用了潜变量增长混合模型来确定焦虑的发展轨迹。同时运用了6种机器学习算法构建高风险健康焦虑识别模型,并通过SHAP算法对模型性能进行了全面评估,以便于对模型结果进行解读。
所有548名患者都完成了问卷调查。潜变量增长混合模型识别出了三种健康焦虑发展轨迹:焦虑水平较低且稳定的群体、焦虑水平中度到较高但有所改善的群体,以及焦虑水平持续较高且难以缓解的群体。多变量逻辑回归分析显示,女性、拥有大学学位或更高学历、具备较高的狂犬病知识水平、患有更多合并症、属于III级暴露情况以及延迟接受医疗治疗,这些都是属于“焦虑水平持续较高且难以缓解群体”的独立风险因素。相反,较高的健康素养则被视为一种保护因素。XGBoost模型在独立测试集上的预测性能更为出色,其接收者操作特征曲线下面积为0.881,而SHAP分析则有助于实现临床层面的结果解读。对XGBoost模型的SHAP分析表明,健康素养、感知到的社会支持、狂犬病知识水平、支付方式以及动物来源是预测“焦虑水平持续较高群体”的五个最重要因素。
狂犬病暴露患者的健康焦虑轨迹存在差异性。基于机器学习的预测模型有助于尽早识别出高风险人群,从而为实施精准的心理干预提供依据。
生物通微信公众号