基于特征选择和XGBoost优化的术中低体温预测

针对全麻手术患者术中低体温发生率高、影响因素复杂的问题，提出了一种基于特征选择和XGBoost优化的术中低体温预测模型，以更好辅助医生对全麻手术患者的临床诊断。首先，利用随机森林（Random forest， RF）在处理高维数据集上的优势，通过RF的袋外估计法进行特征选择。然后，以极端梯度提升（XGBoost）为基础，利用基于精英保留策略的遗传算法，即EGA算法优化XGBoost超参数。最后，根据最优参数训练预测模型，并用于术中低体温预测。该模型组合利用3种算法优点，提升模型泛化能力和预测精度。实验结果表明：本文所提模型与逻辑回归、支持向量机等7种机器学习预测模型相比，预测准确率、精确度、召回率、AUC均有优势；与现有其他预测模型相比均有提升。