查看更多>>摘要:目的 分析H.pylori感染患者感染的危险因素,建立H.pylori感染患者预测模型,为防治H.pylori感染提供参考.方法 选取2021 年 7 至 2022 年 5 月在中山市中医院、中山市东凤人民医院、中山市南区医院共 1 477 例接受 H.pylori检测者为研究对象,依据胃镜和14 C、13 C呼气试验的检测结果,将 H.pylori受检人群分为感染组和无感染组,分别进行问卷调查,调查内容包括受检者基本情况、临床表征、慢性基础病、生活和饮食习惯等,共计 63 个变量.采用单因素及机器学习中的 Logistic回归、决策树分析及添加交互项的 Logistic回归对 H.pylori感染进行多因素分析,并比较 3 个模型的 ROC 曲线下的面积、灵敏度、特异度,验证模型的准确性,建立 H.pylori感染预测模型,将特征和危险因素建立森林图.结果 Logistic回归分析的 AUC 为 0.7361,灵敏度为 0.7615,特异度为0.6034.决策树分析的 AUC为 0.6528,灵敏度为 0.6801,特异度为 0.5773.添加交互项后的 Logistic 回归分析的 AUC 为 0.7388,灵敏度为 0.7588,特异度为 0.6034.添加交互项的多因素Logistic回归结果显示,有胃胀,口气、口臭,在家煮食午餐,在家无而外出有使用公筷习惯,同居家人有感染,疫情后才使用公筷,居住 4~10 层楼,同时有胃胀及口气、口臭为模型的显著性变量.结论 胃胀,有口气、口臭,同时有胃胀及口气、口臭,在家煮食午餐,居住的楼层数,外出居家是否使用公筷,是否有使用公筷习惯,家人是否感染 H.pylori是感染 H.pylori的特征因素,用 Logistic回归模型作为主模型进行变量筛选,添加交互后的模型,AUC 有所提升,交互项的预测模型对 H.pylori感染者预判能力好,运算容易,使用经济、便利,适合区域性推广.