基于梯度提升決策樹的經產婦產后宮縮痛程度的分類研究.pdf

1、分類號：密級：UDC：學號：416534415875南昌大學專業(yè)學位碩士研究生學位論文基于梯度提升決策樹的經產婦產后宮縮痛程度的基于梯度提升決策樹的經產婦產后宮縮痛程度的分類研究分類研究Theclassificationofmultiparaafterpainsbasedonxgboostalgithm金圓圓培養(yǎng)單位（院、系）：南昌大學護理學院指導教師姓名、職稱：程莉主任護師指導教師姓名、職稱：施雁主任護師專業(yè)學位種類：護理碩士論文答辯

2、日期：2018年5月答辯委員會主席：評閱人：2018年5月摘要II摘要目的目的本研究引入機器學習極端梯度提升樹（eXtremeGradientBoostingXGBoost）算法，將可能影響產后宮縮痛的每一個因素作為產后宮縮痛患者的特征表現(xiàn)，對該患者的疼痛程度進行分類識別，以客觀的視角出發(fā)，研制疼痛評估的新方法，為臨床醫(yī)護工作者提供一套完整的疼痛評估體系，改善以往不重視產后宮縮痛的局面，為產后宮縮痛的治療提供證據指標。方法方法1、采用現(xiàn)

3、況調查的研究方法選取江西省某三級甲等?？漆t(yī)院2017年6月12月在產科分娩住院的經產婦作為調查對象，對經產婦的基本信息、分娩信息、產后宮縮痛疼痛程度等方面進行調查，并對調查表進行探索性因子分析，得出內容效度。共選取805人，獲得有效數(shù)據600份，運用SPSS20.0統(tǒng)計軟件對收集的數(shù)據進行統(tǒng)計分析。2、運用機器學習XGBoost的方法，將每一位經產婦視為一個樣本量，其相應的數(shù)據作為該樣本量的屬性值，將600例樣本前70%作為訓練組輸入X

4、GBoost計算機算法程序中進行黑箱操作，形成機器評估模型，將后30%的樣本作為測試組以驗證該模型的準確度，最終得出機器學習產后宮縮痛程度的評估結果。3、將人為主觀疼痛評估的結果與機器客觀疼痛評估的結果進行比對，以Kappa系數(shù)和ROC曲線及AUC值表示兩種評估方法的效果。結果結果1、本研究通過自制經產婦產后宮縮痛一般信息調查表，調查了包括經產婦的基本信息15個條目，自然分娩信息7個條目以及剖宮產手術信息5個條目，另外設計分娩信息補充信