基于機器學習算法構建晚期直腸癌病人疼痛危象預測模型

AbstractObjective：Toconstructaprediction modelforpaincrisisinpatients withadvancedrectalancerbased onmachine learning algorithmsandanalyzethepredictiveperformanceofdiferentmodels.Methods：Aconveniencesamplingmetodwasusedtoselect21 patientswithadvancedrectalcaneradmitedtoourhosptalfromSeptember22toSeptember224asthestudysubjects.Questioires wereadministeredusingtheGeneralIformationQuestioaire，ocialSupportRatingScale，ConorDavidsonResiliencealeand HospitalAnxietyandDepressonScale.Basedonwhetherpatientsexperiencedpaincrisis，theyweredividedntoapaincrsisgroupand anon-paincrisisgroup.Univarateandmultivariateanalyseswereconductedtoidentifyinfluencingfactorsofpainrsis.Predictionmodels wereconstructedusingLogisticregressonandomforest，andecisiontrealgoritmsbasedontheuivariateandultivaateaalysis results.Thereceiveroperatingcharacteristic （ROC）curveandtheareaunder thecurve（AUC）wereused toevaluate modeleficacyand predictive value.Results：Among the 2lO patients with advanced rectal cancer，64 （30.48% ）experienced paincrisis.Multivariateanalysis showedthatsocialsupport，psychologicalesilienceegatieemotions，ag，monthlyouseholdicomepercapitandthebeof radiotherapy/chemotherapysessionswereindependentinfluencingfactorsforpaincrisisinpatientswithadvancedrectalancer（all Plt; 0.05）ROCralseadatthUClufgisicgessoelsitreldo modelwereO.90.90lnd.9，espctivelyeacuracyrateswere.881.852nd.889;sensivityrteswere5， and0.824;speifiyatesee938，.90，nd913;ecallteswere.534ad024;pcisioatesre04d 0.93;andFsdspieliteced AUC，accuacysitiallisiodFse，mosratigstrallpfane.Cocui：dfot modeldemonstratessuperiorpredictiveperformanceforpaincrises inadvancedrectalcncerpatientscompared toLogisticregesioand decisiontreodelsicalyisdelanelentifyigiskpatintsfoarlytevetoitpreventimeasues，tebui the incidence of pain crises.

Keywordsadvancedrectalancer;paincrisis;machineleaingalgorithms;predictionmodel;socialsupport;psyhologicalresilience摘要目的：基于機器學習算法構建晚期直腸癌病人疼痛危象的預測模型并分析不同模型的預測性能。方法：采用便利抽樣法，選取2022年 9 月—2024年9月我院收治的晚期直腸癌病人 210 例為研究對象，采用一般資料調查表、社會支持量表、心理彈性量表、醫院焦慮抑郁量表進行問卷調查。根據病人是否發生疼痛危象分為發生組和未發生組，采用單因素及多因素分析疼痛危象的影響因素?；趩我蛩丶岸嘁蛩胤治鼋Y果構建Logistic回歸模型、隨機森林模型及決策樹模型，采用受試者工作特征（ROC）曲線下面積（AUC）分析模型效能及預測價值。結果：210例晚期直腸癌病人中，發生疼痛危象病人64例（30.48%）。多因素分析結果顯示，社會支持、心理彈性、負性情緒、年齡、家庭人均月收入、放化療次數為晚期直腸癌病人發生疼痛危象的獨立影響因素（均 Plt;0.0 5）。ROC曲線分析結果顯示，Logistic回歸模型、決策樹模型和隨機森林模型的AUC分別為0.902，0.901，0.933，準確度分別為0.881，0.852，0.889，靈敏度分別為 0.750，0.734，0.824 ，特異度分別為 0.938，0.904，0.913 ，召回率分別為 0.750，0.734，0.824 ，精確率分別為0.842，0.770，0.933，F1值分別為 0.793，0.752，0.875 。隨機森林模型除特異度外，AUC、準確度、靈敏度、召回率、精確率及F1值均為最高，綜合表現最優。結論：隨機森林模型對晚期直腸癌病人疼痛危象的預測性能優于Logistic回歸模型及決策樹模型，臨床可據此識別疼痛危象高風險病人，早期予以相關預防措施，降低疼痛危象發生率。

關鍵詞晚期直腸癌；疼痛危象；機器學習算法；預測模型；社會支持；心理彈性 doi：10.12102/j.issn.1009-6493.2025.17.008

直腸癌是消化系統常見的惡性腫瘤，在我國發病率和死亡率均較高，嚴重威脅病人的身心健康[。癌痛是直腸癌的常見臨床癥狀，晚期階段病人的癌痛發生率高，重度疼痛者占比高達 1/3 ，且僅少數病人的癌痛癥狀獲得有效控制[2-3]。未得到有效控制的癌痛可影響病人的心理狀況，減弱治療效果，極大降低病人的生活質量。為有效對癌痛進行管理，有學者提出了疼痛危象的概念，即在疼痛穩定控制的基礎上產生或新發的重度疼痛，給病人帶來難以忍受的痛苦，常伴有嚴重的情緒、心理、功能障礙，甚至意識障礙4。探討晚期直腸癌病人疼痛危象的發生現狀并分析影響因素對提高臨床醫護人員及病人對疼痛危象的認知，并制定規范化癌痛管理方案至關重要。隨著醫療大數據的發展，機器學習算法作為人工智能重要的實現方法已被廣泛用于數據驅動的風險預測，已廣泛應用于臨床多個領域，為臨床人員早期識別高風險人群提供了可靠的工具[5-6]，但其應用于晚期直腸癌病人疼痛危象的研究較少?；诖?，本研究擬基于機器學習算法構建晚期直腸癌病人疼痛危象的預測模型并分析不同模型的預測性能，以期為臨床早期識別高風險疼痛危象病人提供工具，并為制訂針對性的早期干預措施提供理論依據。

1 資料與方法

1. 1 研究對象

根據Harrell對多因素分析樣本量估算的方法，樣本量至少為可取變量數目的10倍，本研究預估納入18個自變量，另考慮 10% 的樣本丟失率，所需樣本量至少為198例。最終結合臨床實際，采用便利抽樣法選取2022年9月一2024年9月我院收治的晚期直腸癌病人210例為研究對象。納入標準：1）經病理檢查診斷為直腸癌，臨床分期為Ⅲ期或V期;2）年齡 ?18 歲；3）知情同意本研究并簽署知情同意書。排除標準：1）合并其他惡性腫瘤；2）合并其他嚴重器質性疾病;3）伴有其他疾病導致的疼痛；4）合并嚴重精神、認知障礙，無法配合完成研究。疼痛危象判定標準參照《癌痛管理中疼痛危象理念的形成與管理方案專家建議》中疼痛危象的判定標準： ① 數字分級量表（NRS）得分gt;7分，持續 3h 以上；或NRS得分 ?9 分，持續 30min 以上； ② 病人主訴疼痛難忍； ③ 疼痛導致強迫體位或活動障礙； ④ 病人因疼痛導致大汗、呼吸急促或心動過速等交感神經興奮癥； ⑤ 病人伴有煩躁不安、情緒障礙、極度焦慮或抑郁，甚至意識障礙。病人同時符合 ① 和 ② 以及 ③④⑤ 中任意1條即可判定為發生疼痛危象。本研究已通過醫院醫學倫理委員會批準（批號：欽州市中醫醫院QZSZYYY202303）。

1.2 研究工具

1.2.1一般資料調查表

由研究小組查閱相關文獻，經過小組討論后制訂，包括病人的性別、年齡、家庭人均月收入、文化程度、工作狀態、婚姻狀況、性格類型、病理類型、有無轉移、腫瘤下緣距肛門邊緣的距離、手術治療、腫瘤家族史、放化療次數、鎮痛藥物給藥途徑及合并癥共15個條目。

1.2.2社會支持量表（SSRS）

由肖水源8編制，用于評估病人的社會支持水平，包括客觀支持、主觀支持及對支持的利用度3個維度，共10個條目，總分為 12～66 分，得分越高提示病人社會支持水平越好。量表的Cronbach'sα系數為0.92。

1.2.3 心理彈性量表（CD-RISC）

量表用于評估病人的心理彈性水平，包括堅韌、力量和樂觀3個維度，共25個條目，每個條目得分為0～4分，總分為 0～100 分，得分越高提示病人心理彈性水平越高。量表的Cronbach'sα系數為 0.91^[9]

1.2.4醫院焦慮抑郁量表（HADS）

由Zigmond等編制，葉維菲等°漢化，共14個條目，分為焦慮和抑郁2個分量表，每個分量表各7個條目，每項得分為 0～3 分，每個分量表總分范圍為 0～21 分，得分越高提示病人抑郁/焦慮越嚴重，抑郁分量表得分 gt;7 分提示病人存在抑郁，焦慮分量表得分 gt;7 分提示病人存在焦慮，HADS總得分越高提示病人負性情緒越嚴重，量表的Cronbach'sα系數為0.73。

1.3資料收集方法

由經過統一培訓的研究小組成員采用同一指導語介紹問卷，征集病人同意后發放紙質調查問卷，由病人自行完成問卷內容，填寫過程中病人如對問卷內容不理解或有疑問及時解答，病人無法自行填寫則由研究人員口述問題由病人選擇，現場填寫完后立即回收。問卷收集完成后由研究者查閱是否有缺項、漏項，并核實有無明顯邏輯問題后由2名研究人員同時將數據錄入電腦中，避免誤差。

1.4統計學處理

采用SPSS25.0統計軟件進行數據分析，符合正態分布的定量資料以均數士標準差 表示，采用獨立樣本t檢驗；定性資料以例數、百分比 （%） 表示，采用x檢驗。采用SPSSModeler及R語言構建Logistic回歸模型、隨機森林模型及決策樹模型，采用受試者工作特征（ROC）曲線下面積（AUC）準確度、靈敏度、特異度、召回率、精準率及F1值評估模型的預測價值及效能。以 Plt;0.05 為差異有統計學意義。

2結果

2.1晚期直腸癌病人疼痛危象影響因素的單因素分析

210例晚期直腸癌病人中，發生疼痛危象病人64例 （30.48% ），未發生疼痛危象病人146例 （69.52% ）。單因素分析結果顯示，兩組病人的年齡、家庭人均月收

入、放化療次數、社會支持、心理彈性、負性情緒比較， 差異均有統計學意義（均 Plt;0.05 。見表1。

表1晚期直腸癌病人疼痛危象影響因素的單因素分析

Table1 Univariate analysis of influencing factors for pain crisis in patientswith advanced rectal cancer

2.2晚期直腸癌病人疼痛危象影響因素的多因素分析

以晚期直腸癌病人是否發生疼痛危象為因變量，以單因素分析中有統計學意義的因素為自變量，具體

賦值見表2。Logistic回歸分析結果顯示，年齡、家庭人均月收入、放化療次數、社會支持、心理彈性、負性情

緒均為晚期直腸癌病人發生疼痛危象的獨立影響因素（均 Plt;0.05， 。見表3。

表2變量賦值情況

Table2Variableassignmenttable

表3晚期直腸癌病人疼痛危象影響因素的Logistic回歸分析結果

Table3Logistic regressonanalysis of influencing factors forpain crisis inpatients with advanced rectalcancer

2.3晚期直腸癌病人發生疼痛危象預測模型構建

以多因素分析中有統計學意義的變量為特征變量，疼痛危象為預測變量，采用Logistic回歸模型、隨機森林模型以及決策樹模型3種機器學習算法構建晚期直腸癌病人疼痛危象的預測模型。將Logistic回歸模型結果進行可視化處理，繪制晚期直腸癌病人疼痛危象的列線圖模型，見圖1；決策樹模型共5層，分別為負性情緒、社會支持、心理彈性、年齡、家庭人均月收入，其中負性情緒是重要的預測因子，見圖2；隨機森林模型對影響因素的重要性進行了排序，較高的3位因素依次為負性情緒、社會支持及心理彈性，具體見圖3。

圖1列線圖模型 Figure 1 Nomogram model

圖2決策樹模型

Figure 2 Decision treemodel

圖3隨機森林模型 Figure 3 Random forest model

2.43種預測模型預測效能比較

ROC曲線分析結果顯示，隨機森林模型除特異度外，AUC、準確度、靈敏度、召回率、精確率及F1值均

為最高，綜合表現最優，表明隨機森林模型具有更出色的分類能力及準確性，見表4及圖4。

表43種模型效能評價

Table4Performancecomparisonof three predictionmodels

圖43種預測模型的ROC曲線 Figure 4ROC curves of three prediction models

3討論

3.1晚期直腸癌病人疼痛危象的發生情況

本研究210例晚期直腸癌病人中，發生疼痛危象病人64例，疼痛危象發生率為 30.48% ，與豆麗園等[11]的研究結果相似，表明晚期直腸癌病人的疼痛危象發生率較高。分析原因可能是：晚期直腸癌病人腫瘤增大至壓迫直腸神經，且更易誘發腸梗阻、腸穿孔或腸道感染等導致癌痛的并發癥12；且相關研究表明，病人及臨床醫護人員均對癌痛相關知識的認知存在一定的不足[13-14]，導致癌痛護理措施的實施及實施效果欠佳，故更易發生疼痛危象。因此，建議臨床工作中，應注重癌痛?？谱o士的培養，并加強對醫護人員癌痛及疼痛危象相關知識及護理措施的培訓，提高醫護人員對疼痛危象的認知及癌痛管理措施的落實率；加強對晚期直腸癌病人疼痛危象的評估，通過多種形式對其開展健康宣教，提高其治療依從性，以降低疼痛危象的發生率。

3.2晚期直腸癌病人發生疼痛危象的影響因素

多因素分析結果顯示，年齡、家庭人均月收入、放化療次數、社會支持、心理彈性、負性情緒均為晚期直腸癌病人發生疼痛危象的獨立影響因素 （Plt;0.05） 。1）年齡 lt;60 歲的病人更易發生疼痛危象，與王潤珠等[15的研究結果相似，可能是因為年齡較小的病人神經敏感性更高，疼痛閾值相對較低，而高齡病人神經細胞減少，活性降低，疼痛傳導信號下降，疼痛感知相對遲鈍。故建議臨床加強對年齡偏低病人的關注，可結合“互聯網十\"的形式，通過微信公眾號等互聯網平臺，上傳疼痛危象的相關知識，開展健康宣教，以加強病人對疼痛危象的認知，增加其對疼痛管理措施的依從性，減少疼痛危象的發生。2）家庭人均月收入偏低的病人往往經濟壓力更為嚴重，且治療所用的藥物費用高昂，經濟狀況差的病人害怕自身成為家庭負擔，多選擇承受痛苦，更易對鎮痛管理措施存在依從性不佳的情況，從而使得癌痛持續，不易得到有效的控制，從而發展為疼痛危象[16]，與張婷[1]的研究結果相似。提示臨床工作中對于家庭經濟條件較差的病人可建議其選擇高性價比的治療及鎮痛方案，并指導病人及家屬通過尋求更多的社會支持緩解經濟壓力，減輕經濟負擔。3）化學治療可通過改變周圍神經和免疫細胞的功能，最終導致持續的神經病變和疼痛;而放射治療可導致周圍組織纖維化壓迫神經、直接損傷神經或損傷周圍血管間接引起神經損傷，繼而誘發疼痛[18]，故放化療次數較多的病人更易發生疼痛危象，楊青平等[19的研究結果也證明了這點。因此，醫護人員應密切關注放化療次數較多的病人，對放化療產生的疼痛等副作用及時進行對應的干預，避免其發展為疼痛危象。4）社會支持水平越高的病人越不易發生疼痛危象，與既往研究結果[20]相似?？赡苁且驗樯鐣С质莻€體通過社會聯系所接收到的能緩解精神緊張、減輕心理壓力及提高社會適應力的一種可利用資源，對疼痛能起到積極的調節作用，可有效緩解病人的疼痛。提示臨床工作中應加強與病人的溝通與交流，給予病人支持與鼓勵，同時鼓勵病人積極尋求和利用社會支持資源，以樂觀、積極的心態面對疾病。5）心理彈性是指個體在經歷創傷性事件或高壓情境時，可快速恢復自身不良心理情緒和狀態，并傾向于采取積極應對方式的一系列認知和能力特征。陳麗明等21的研究表明，心理彈性偏低是直腸癌病人自我管理行為低的影響因素，自我管理行為低則可能影響鎮痛藥物的鎮痛效果，故更可能導致發生疼痛危象，與本研究結果一致。對此，建議臨床取相應的心理護理手段，提高病人的心理適應水平，并鼓勵病人家屬給予病人更多的鼓勵，為病人應對疾病提供堅強的后盾，以提高病人心理彈性水平，從而降低疼痛危象的發生率。6）負性情緒越嚴重晚期直腸癌病人越易發生疼痛危象，或是與負性情緒可影響病人疼痛相關癥狀群的嚴重程度有關[22]，且負性情緒可激活交感神經系統和免疫系統亢進，導致疼痛介質分泌增多，可提升感受器敏感性導致痛閾下降，從而導致病人疼痛感覺加重[23]。提示臨床醫護人員應密切關注病人的心理狀況，及時識別病人負性情緒，給予相應的心理護理措施。

3.3晚期直腸癌疼痛危象預測模型的性能比較

隨著科技與大數據的發展，機器學習算法因其在評估疾病進展和預后方面效果較好，逐漸被應用于各類醫療衛生領域中[24]。基于結局指標疼痛危象為二分類變量，本研究選擇隨機森林模型、Logistic回歸模型以及決策樹模型3種機器學習算法進行模型的構建。不同算法的運算方式對模型效能也有較大的影響，為了提高模型的適用性和精準性，通過比較不同模型效能以得到最優模型，可使得臨床預測效能更加精準、可靠。其中，Logistic回歸模型基于線性假設，可將多個自變量通過線性組合來預測疼痛危象的發生概率，且各變量的系數可直觀反映其對疼痛危象的影響方向和程度，兼具簡單性和可解釋性，但在處理復雜數據和非線性關系時存在一定的局限，在臨床應用中，該模型適用于數據分布相對規整、變量關系相對簡單明確的情況，可作為初步分析的有效手段[25]。決策樹模型以樹形結構呈現決策過程，其優勢在于直觀易懂，類似臨床醫生的診斷思維，易于與病人及家屬溝通解釋，但在處理大量數據時容易過擬合，可應用于小規模數據的探索性分析或臨床教學場景中，能幫助臨床醫護人員快速發現數據中的高風險關鍵特征和潛在規律[26]。相比之下，隨機森林模型作為一種集成學習方法，通過組合多個決策樹來進行分類或回歸任務，具有準確性高、異常值容忍度高、可解釋性強的特點，有效提高了預測準確性和穩定性，且可處理復雜的非線性關系，對高維數據表現出色，但由于需要存儲多個決策樹，隨機森林模型占用較大的內存空間，在資源受限的情況下可能會受到限制，在大規模臨床數據處理和實際預測中，隨機森林模型能夠更精準地識別高風險病人，為臨床醫護人員提供可靠的決策支持[27-28]。本研究結果顯示，隨機森林模型除特異度外，各項指標均為最優，也表明了隨機森林模型效能最優。Chen等[29]研究表明，預測模型AUC為 0.5～0.7，gt;0.7～0.9 和 gt;0.9 時，分別表明預測模型的預測效果較低、中等和極好。本研究隨機森林模型的AUC為0.933，提示隨機森林模型對晚期直腸癌疼痛危象的預測性能極好，臨床可據此識別疼痛危象高風險病人，早期予以預防。本研究隨機森林模型結果顯示，晚期直腸癌病人疼痛危象的影響因素重要性由高到低依次為負性情緒、社會支持、心理彈性，提示在制訂個性化疼痛管理和干預方案時，可依據模型預測結果進行分層管理并制訂相關護理敏感指標及規范化護理路徑，優化醫療資源分配。

4小結

本研究構建的隨機森林模型對晚期直腸癌病人疼痛危象的預測性能優于Logistic回歸模型及決策樹模型，臨床可據此識別疼痛危象高風險病人，早期予以相關干預措施。但本研究仍存在樣本量較少且樣本來源單一的局限，具有一定的抽樣誤差，后續研究可開展大樣本、多中心研究以完善本研究結論。

參考文獻：

[1]HANBF，ZHENGRS，ZENGHM，etal.Cancerincidenceandmortality in China，2O22[J].Journal of the National Cancer Center，2024，4（1）：47-53.

[2]傅華容，黃妙芳，辜賽花，等.疼痛護理對直腸癌癌痛患者不良情緒及爆發性疼痛的影響[J].廣州醫藥，2022，53（2）：77-81；86.

[3]EVENEPOELM，HAENENV，DEBAERDEMAECKERT，etal.Painprevalence during cancer treatment：a systematic reviewandmeta-analysis[J].JournalofPainandSymptomManagement，2022，63（3）：e317-e335.

[4]中國臨床腫瘤學會腫瘤支持與康復治療專家委員會，中國抗癌協會腫瘤康復與姑息治療專家委員會，中華醫學會麻醉學分會，等.癌痛管理中疼痛危象理念的形成與管理方案專家建議[J].中華醫學雜志，2023，103（21）：1591-1595.

[5]汪丹丹，姚侃斐，祝雪花.3種機器學習算法對維持性血液透析病人衰弱風險預測性能比較[J].護理研究，2024，38（1）：8-16.

[6]王瑩，吳亞平，王玲，等.3種機器學習算法構建的CT影像組學模型對非小細胞肺癌縱隔淋巴結轉移的預測價值[J].中華實用診斷與治療雜志，2023，37（11）：1081-1086.

[7]HARRELLFE.Regression modeling strategies：with applications tolinearmodels，logistic regression，and survival analysis[M].NewYork：Springer New York，2001：1.

[8]肖水源.《社會支持評定量表》的理論基礎與研究應用[J].臨床精神醫學雜志，1994，4（2）：126-128.

[9]YUXN，ZHANGJX.Factoranalysisand psychometricevaluationoftheConnor-Davidson Resilience Scale（CD-Risc）with Chinesepeople[J].Social Behavior and Personality，2OO7，35（1）：19-30.

[10]葉維菲，徐俊冕.“綜合性醫院焦慮抑郁量表\"在綜合性醫院病人中的應用與評價[J].中國行為醫學雜志，1993，2（3）：17-19.

[11]豆麗園，蔣秋玲，申文佳，等.晚期肺癌患者疼痛危象發生現狀及影響因素研究[J].中華護理雜志，2024，59（11）：1353-1359

[12]黃桂霞.分析疼痛護理對直腸癌癌痛患者疼痛程度、不良情緒及睡眠質量的影響[J].世界睡眠醫學雜志，2023，10（12）：2984-2986;2990.

[13]牛萌，鐵萬琴，張曦，等.癌痛患者疼痛知信行水平及影響因素分析[J].中國實用護理雜志，2022，38（35）：2749-2755.

[14]任曉華，關瓊瑤，馬祥萍，等.云南省腫瘤科護士癌痛知識知曉及癌痛護理開展現狀調查[J].昆明醫科大學學報，2021，42（9）：167-172.

[15]王潤珠，紀木火，楊建軍，等.胸腔鏡術后慢性疼痛患者的危險因素及恢復質量[J].醫學研究生學報，2022，35（2）：161-164.

[16]歐娜，胡小萍，綦三陽，等.癌痛病人服藥不依從原因的質性研究[J].全科護理，2022，20（31）：4447-4450.

[17]張婷.晚期肺癌病人癌性疼痛管理障礙現狀及其影響因素分析[J].全科護理，2022，20（7）：978-981.

[18]王穩，樊碧發.癌痛發生機制的研究進展[J].中國疼痛醫學雜志，2021，27（8）：616-618.

[19]楊青平，俞嘉，戴連枝，等.晚期胰腺癌患者爆發性癌痛的影響因素分析[J].中華胰腺病雜志，2023，23（3）：193-198.

[20]FISHERHM，WINGERJG，MILLERSN，etal.Relationshipbetween social support，physical symptoms，and depression inwomenwith breast cancer and pain[J].Supportive Care in Cancer，2021，29（9）：5513-5521.

[21]陳麗明，梁爽，余立.基于結構方程模型分析直腸癌腸造口患者自我管理行為的影響因素[J].中外醫學研究，2022，20（35）：166-170.

[22]李玥.結直腸癌患者術后癥狀群發展軌跡及影響因素的縱向研究[D].成都：電子科技大學，2024.

[23]盧海彬，張屹，孫真誠，等.肺癌根治術后患者焦慮情緒對疼痛癥狀及應激反應的影響[J].國際精神病學雜志，2023，50（6）：1522-1524.

[24]NGIAM K Y，KHOR I W.Big data and machine learningalgorithms for health-care delivery[J].The Lancet Oncology，2019，20（5）：e262-e273.

[25] 王琦琦，于石成，元曉，等.Logistic族回歸及其應用[J].中華預防醫學雜志，2019，53（9）：955-960.

[26]DO NASCIMENTOPM，MEDEIROSIG，FALCAO RM，et al.Adecision tree to improve identification of pathogenic mutationsinclinical practice[J].BMC Medical Informatics and Decision Making，2020，20（1）：52.

[27]LANGSETMO L，SCHOUSBOEJT，TAYLORBC，et al.Advantages and disadvantages of random forest models forprediction of hip fracture risk versus mortality risk in the oldest old[J].JBMRPlus，2023，7（8）：e10757.

[28]WONGVIBULSIN S，WU K C，ZEGER S L.Clinical riskprediction with random forests for survival，longitudinal，andmultivariate（RF-SLAM） dataanalysis[J].BMCMedicalResearchMethodology，2019，20（1）：1261.

[29]CHENY，DUH，WEI BH，et al.Development and validation ofrisk-stratificationdelirium predictionmodel for criticallyill patients：aprospective，observational，single-center study[J].Medicine，2017，96（29）：e7543.（收稿日期：2024-11-08；修回日期：2025-07-25）（本文編輯 崔曉芳）