山东大学学报(医学版)

作者：王丽云,高天勤,刘雨佳,陈青,陈柳,沙凯辉

单位：1.滨州医学院护理学院, 山东 滨州 256600;2.滨州医学院附属医院第一介入导管室, 山东 滨州 256600;3.滨州医学院附属医院产后康复中心, 山东 滨州 256600

关键词：压力性尿失禁,产后,风险预测,机器学习,预测模型,

基金：滨州医学院护理学院研究生科研创新支持计划启动资金项目(HYCX2022-013)

目的 基于最新的产后压力性尿失禁(postpartum stress urinary incontinence, PPSUI)定义,采用5种机器学习算法构建风险预测模型,筛选最优模型并评估其临床应用价值。 方法 采用前瞻性研究设计,纳入1 208 例产妇,基于问卷与电子病历收集数据,并按8∶2比例随机划分训练集和测试集。采用单因素分析和随机森林算法筛选特征,构建基于Logistic回归、决策树、随机森林、支持向量机和极限梯度提升(extreme gradient boosting, XGBoost)的PPSUI 预测模型,并通过网格搜索优化超参数。模型训练与验证采用Bootstrap方法和十折交叉验证,以提升稳定性和泛化能力。最终,从分类性能、临床适用性及预测可靠性等方面综合评估各模型,并筛选最优预测模型。 结果 XGBoost预测模型为最优预测模型,测试集AUC值为0.993(95%CI: 0.985~0.998, P<0.01)。决策曲线分析显示,该模型在中等阈值范围内净收益最高,校准曲线接近理想状态,预测可靠性较优,具备较高的临床应用价值。 结论 XGBoost适用于PPSUI高危人群的早期筛查和风险评估,为精准医学和产后健康管理提供科学依据。

来源：2025年第6期

《山东大学学报(医学版)》期刊编辑部

查看山东大学学报(医学版)杂志2025年第6期