简介：摘要目的应用机器学习中的随机森林算法探讨中国女性尿失禁（UI）发病的危险因素，并评价各危险因素对于UI发病的预测效果。方法采用多阶段分层整群抽样，在全国调查55 477例成年女性UI情况；基线调查于2014年2月至2016年1月完成，2018年6月至12月电话随访；最终纳入基线无UI且随访UI诊断指标数据完整的对象。采用欠采样技术，按照1∶1的比例从随访时未发生UI的人群中随机抽取与随访对新发UI相等人数作为对照，将这些调查对象的研究数据按照7∶3的比例随机分成训练集和测试集。将单因素分析中P<0.2的候选变量，带入训练集并采用随机森林算法建模，在训练集筛选UI发病的危险因素，根据重要性对危险因素排序，并在测试集中验证。结果共30 658例（55.26%，30 658/55 477）完成随访，中位随访时间3.7年。纳入本研究的24 985例基线无UI的对象中，随访调查UI发病人数为1 757例（7.03%，1 757/24 985），其中压力性UI 1 117例（4.47%，1 117/24 985），急迫性UI 243例（0.97%，243/24 985），混合性UI 397例（1.59%，397/24 985）。随机森林模型固定特征数量为2个、决策树数量为300棵时，平均袋外估计误差率最低，此时模型分类准确率为64.3%，敏感度为64.2%，特异度为64.4%。根据Gini系数平均下降量，得到预测UI发病的前10位影响因素依次为：年龄、分娩次数、分娩方式、体质指数（BMI）、绝经状态、糖尿病史、教育程度、盆腔手术史、城乡分布、婚姻状况。结论应用机器学习中的随机森林算法，从复杂的多因素中识别出预测中国女性UI发病的前10位影响因素，依次为：年龄、分娩次数、分娩方式、BMI、绝经状态、糖尿病史、教育程度、盆腔手术史、城乡分布、婚姻状况。