Page 73 - 2022-35-中国全科医学

·4422· http://www.chinagp.net E-mail:zgqkyx@chinagp.net.cn

表 2 石油工人听力受损影响因素的多因素非条件 Logistic 回归分析 表 3 随机森林模型评估模型样本的分类结果
Table 2 Unconditional multivariable Logistic regression analysis of factors Table 3 Classification of hearing loss risk assessment in oil workers by the
associated with hearing loss in oil workers random forest model
2
变量 β SE Waldχ 值 P 值 OR（95%CI） 实际值
随机森林模型预测值 合计
年龄（岁） 听力受损 非听力受损
30~ 0.027 0.277 0.009 0.923 1.027（0.597，1.766） 听力受损 352 24 376
40~ 0.453 0.297 2.320 0.128 1.573（0.878，2.817） 非听力受损 33 1 014 1 047
50~ 0.742 0.293 6.413 0.011 2.101（1.183，3.732） 合计 385 1 038 1 423
家庭月收入（元）
5 000~ 0.088 0.144 0.369 0.543 1.092（0.823，1.448） 表 4 XG Boost 模型评估模型样本的分类结果
8 000~ -0.234 0.268 0.763 0.382 0.791（0.468，1.338） Table 4 Classification of hearing loss risk assessment in oil workers by the
XG Boost model
11 000~ -0.634 0.291 4.750 0.029 0.530（0.300，0.938）
实际值
糖尿病 0.386 0.168 5.266 0.022 1.472（1.058，2.047） XG Boost 模型预测值 合计
中等劳动强度 -0.487 0.231 4.444 0.035 0.615（0.391，0.966） 听力受损 非听力受损
听力受损 343 26 369
高等劳动强度 -0.161 0.246 0.427 0.513 0.851（0.526，1.379）
耳毒性化学毒物 0.381 0.134 8.033 0.005 1.463（1.125，1.903） 非听力受损 42 1 012 1 054
暴露 合计 385 1 038 1 423
睡眠障碍
可疑失眠 -0.070 0.150 0.220 0.639 0.932（0.649，1.251） 表 5 BP 神经网络模型评估模型样本的分类结果
失眠 0.379 0.187 4.107 0.043 1.462（1.013，2.110） Table 5 Classification of hearing loss risk assessment in oil workers by the
BP neural network model
倒班情况
实际值
曾经倒班 0.334 0.159 4.392 0.036 1.396（1.022，1.907） BP 神经网络模型预测值 合计
现在倒班 0.346 0.174 3.962 0.047 1.414（1.005，1.989） 听力受损 非听力受损
听力受损 270 47 317
工龄（年）
非听力受损 115 991 1 106
10~ -0.059 0.325 0.033 0.856 0.943（0.498，1.782）
合计 385 1 038 1 423
20~ 0.078 0.206 0.143 0.706 1.081（0.721，1.620）
30~ 0.689 0.251 7.521 0.006 1.992（1.217，3.260）
表 6 随机森林模型、XG Boost 模型和 BP 神经网络模型风险评估性
累积噪声暴露量〔dB（A）·年〕
能的比较
80~ 0.477 0.304 2.459 0.117 1.611（0.888，2.926） Table 6 Comparison of the performance of the random forest，XG Boost，
85~ 0.405 0.285 2.016 0.156 1.499（0.857，2.620） and BP neural network models in assessing hearing loss risk in oil workers
90~ 1.684 0.279 36.456 <0.001 5.387（3.188，9.305） 评价指标 随机森林模型 XG Boost 模型 BP 神经网络模型
95~ 1.885 0.266 50.340 <0.001 6.589（3.914，11.091） 准确率（%） 95.99 95.22 88.62
灵敏度（%） 91.43 89.09 70.13
对 3 种模型的性能进行比较，结果显示，随机 特异度（%） 97.69 97.50 95.47
森林模型、XG Boost 模型和 BP 神经网络模型的准确 约登指数 0.89 0.87 0.66
率分别为 95.99%、95.22% 和 88.62%，灵敏度分别为 F1 分数 0.74 0.73 0.73
91.43%、89.09% 和 70.13%， 特 异 度 分 别 为 97.69%、 AUC（95%CI） 0.95（0.94，0.97）0.93（0.92，0.95）0.83（0.81，0.84）
97.50% 和 95.47%，约登指数分别为 0.89、0.87 和 0.66， Brier 得分 0.04 0.04 0.11
F1 分数分别为 0.74、0.73 和 0.73，AUC 分别为 0.95、 O/E ratio 1.02 1.04 1.21
0.93 和 0.83；各模型的预测性能比较，差异有统计学意 校准曲线的截距 0.029 0.032 0.097
注：AUC= 受试者工作特征曲线下面积，O/E ratio= 观察 - 期望比率
义（P<0.05），见表 6、7 和图 1。3 种模型的 Brier 得
分分别为 0.04、0.04 和 0.11，O/E ratio 分别为 1.02、1.04 发生的相关风险因素。机器学习算法的引入便于针对性
和 1.21，校准曲线的截距分别为 0.029、0.032、0.097。 采取预防措施控制职业性听力受损的检出率，因此，模
绘制校准曲线图对模型的校准度进行衡量，结果显示， 型方法合理用于职业性听力受损风险评估中并充分发挥
3 种模型的校准曲线均靠近参考线，随机森林模型的校 作用尤为重要。
准效能最优，见图 2。 本研究结果显示，年龄≥ 50 岁、患有糖尿病、耳
3 讨论 毒性化学毒物暴露、失眠、倒班、工龄≥ 30 年、累积
本研究中职业性听力受损的检出率为 27.06%，与 噪声暴露量≥ 90 dB（A）·年是听力受损的危险因素。
国内相关文献报道接近 ［10］ 。本研究通过对石油工人听 随着年龄和工龄的增加，听力受损对机体的影响可由开
力受损的影响因素进行分析，以明确可能导致听力受损 始的生理性代偿逐渐转化为病理性改变，年长者由于早