Page 95 - 《南京医科大学学报》自然科学版2026年第2期

第46卷第2期 王 娇，周怡君，孙文娟，等. 基于多种机器学习算法构建并验证维持性血液透析患者全因死亡
2026年2月 风险预测模型［J］. 南京医科大学学报（自然科学版），2026，46（2）：247-255 ·251 ·

2.3 预测模型的构建与验证 1.00
建模结果显示，10 种机器学习算法模型中，
SVM 模 型 对 MHD 患 者 死 亡 的 预 测 效 能 最 高
0.75
（AUC=0.928），其后依次是KNN模型（AUC=0.917）、
RF 模型（AUC=0.911）、Logistic 模型（AUC=0.905）、
GBM 模型（AUC=0.905）、LDA 模型（AUC=0.902）、 Sensitivity 0.50
NB 模 型（AUC=0.900）、MLP 模 型（AUC=0.894）、
XGBoost 模型（AUC=0.851）、DT 模型（AUC=0.815），
各机器学习算法的ROC曲线见图2。各模型的准确 0.25
度、灵敏度及 F1 值详见表 2，10 种模型的准确度范
围为 80.11%~86.93%，其中 KNN 模型的准确度最
0
高，为86.93%。SVM模型和NB模型的灵敏度最高， 0 0.25 0.50 0.75 1.00
为89.47%。 Model（AUC） 1-Specificity
SVM 模型的混淆矩阵图及 ROC 曲线图见图 3。 Decision tree（0.815） KNN（0.917） Logistic（0.905）
LDA（0.902）
GBM（0.905）
MLP（0.894）
结果显示，SVM 模型外部验证集中 AUC 为 0.835， Naive Bayes（0.900） SVM（0.928）
Random forest（0.911）
XGBoost（0.851）
提示本研究构建的 SVM 模型具有较强的外部泛化 图2 10种机器学习模型ROC曲线图
能力。 Figure 2 ROC curves of 10 machine learning models
表2 10种机器学习算法的预测性能指标比较
Table 2 Comparison of predictive performance metrics for 10 machine learning algorithms
Model AUC 95%CI Accuracy（%） Sensitivity（%） Specificity（%） Precision（%） F1
Logistic regression 0.905 0.859-0.951 84.66 81.58 87.00 82.67 82.12
SVM 0.928 0.886-0.969 86.36 89.47 84.00 91.89 90.66
RF 0.911 0.866-0.957 84.09 82.89 84.09 80.77 81.82
KNN 0.917 0.873-0.961 86.93 88.16 86.00 82.72 85.35
DT 0.815 0.752-0.878 80.11 78.95 81.00 78.48 78.71
XGBoost 0.851 0.797-0.905 85.23 84.21 86.00 85.33 84.77
NB 0.900 0.854-0.946 81.25 89.47 75.00 73.12 80.47
LDA 0.902 0.855-0.950 83.52 80.26 86.00 81.33 80.79
GBM 0.905 0.857-0.952 84.09 81.58 86.00 81.58 81.58
MLP 0.894 0.844-0.944 82.95 76.32 88.00 82.86 79.46
SVM：support vector machine；RF：random forest：KNN：k⁃nearest neighbors；DT：decision tree；XGBoost：eXtreme gradient boosting；NB：naive
Bayes；LDA：linear discriminant analysis；GBM：gradient boosting machine；MLP：multilayer perceptron.

A B C
Confusion matrix for SVM model Confusion matrix for SVM external validation
1.00

Deceased 16 68 Deceased 24 11 0.75
Predicted Labels Frequency Predicted Labels Frequency Sensitivity 0.50
80
80
60
60
40
40
20
20
Survival 84 8 Survival 65 3 0.25 SVM model
SVM model extemal validation
（AUC=0.835）
0
Survival Deceased Survival Deceased 0 0.25 0.50 0.75 1.00
Actual labels Actual labels 1-Specificity
A：Confusion matrix for SVM model internal validation. B：Confusion matrix for SVM model external validation. C：ROC curve of SVM model external validation.
图3 SVM模型的混淆矩阵图及ROC曲线
Figure 3 Confusion matrix for SVM model and ROC curve