發(fā)布時間：2020-04-14 16:54

【摘要】：目的:冠心病是由冠狀動脈血管狹窄所致心肌缺血缺氧的一種心血管疾病,其預后情況復雜多變。冠心病已然成為當前威脅人類生命健康的重要原因。冠狀動脈造影手術治療是目前唯一可以直接觀察冠狀動脈形態(tài)的論斷方法,被認為是當前診斷冠心病的“金標準”,但由于冠狀動脈造影存在創(chuàng)傷性,禁忌癥和術后并發(fā)癥,費用昂貴等諸多缺點,無法開展大規(guī)模的人群篩查,因此針對冠心病患者,構建冠狀動脈狹窄早期風險識別模型顯得尤為重要。本研究基于冠心病心衰患者臨床病歷資料,構建冠脈狹窄早期風險識別模型,實現(xiàn)高效、無創(chuàng)的識別冠狀動脈狹窄,以指導臨床醫(yī)生和患者選擇合理的預防性治療和干預措施,以期降低冠狀動脈狹窄的發(fā)生率和致死率。方法:根據(jù)本課題研究對象的納入和排除標準,共篩選出符合條件的山西省心血管病醫(yī)院和山西醫(yī)科大學第一醫(yī)院心內科2011年10月至2018年5月期間確診為冠心病心衰的2926例住院患者作為本研究的研究對象,通過查閱兩所醫(yī)院病案室中相關電子和紙質病歷,獲取患者的一般人口學資料、既往史、實驗室檢查、心電圖、心臟彩超、冠脈造影、用藥等信息。利用卡方檢驗和基于秩的非參數(shù)檢驗從上述資料中篩選出與冠狀動脈狹窄有關的變量。采用分層抽樣的方法從冠脈造影手術結果Gensini評分大于等于4的患者和Gensini評分小于4的患者(包括未行冠脈造影手術的患者)兩種數(shù)據(jù)資料中分別抽取四分之三樣本作為訓練數(shù)據(jù)集,該部分數(shù)據(jù)用于訓練初始模型,將剩余四分之一樣本作為測試數(shù)據(jù)集,用來評價各模型的分類效果。將從病歷資料中篩選出的變量作為輸入變量,將冠脈造影手術結果Gensini評分是否大于4作為結局變量,在訓練數(shù)據(jù)集中分別建立logistic回歸、BP神經網絡和隨機森林分類識別模型,在測試數(shù)據(jù)集中通過準確度、靈敏度、特異度、陽性預測值、陰性預測值和受試者工作特征曲線下面積AUC指標來評價和比較三種模型的綜合性能。結果:通過單因素檢驗(卡方檢驗和基于秩的非參數(shù)檢驗),從147個變量中初步篩選出與冠狀動脈狹窄相關的變量共49個,其中包括心律失常、高血壓、血紅蛋白、血小板等。通過基于AUC的隨機森林自變量篩選方法對上述單因素檢驗得到的變量進行進一步篩選,最終獲得36個變量進入最終模型進行訓練。將36個變量作為模型的輸入變量,用來訓練logistic回歸、BP神經網絡和隨機森林的初始模型。logistic回歸模型在測試數(shù)據(jù)集中的結果:靈敏度為75.76%,特異度為72.95%,準確度為74.05%,陽性預測值為73.95%,陰性預測值為72.07%,AUC值為0.7399。訓練BP神經網絡之前,首先通過模擬試驗,確定隱含層個數(shù),實驗結果發(fā)現(xiàn),當神經網絡模型的隱含層個數(shù)為25時,模型誤差相對較小,因此構建模型結構為36-25-1的神經網絡模型,BP神經網絡模型在測試數(shù)據(jù)集中的結果:靈敏度為74.30%,特異度為70.00%,準確度為72.30%,陽性預測值為75.05%,陰性預測值為69.18%,AUC值為0.7231。在訓練隨機森林模型之前,首先對模型參數(shù)mtry和ntree進行選擇,結果發(fā)現(xiàn),當參數(shù)mtry設置為3,ntree設置為1000時,模型性能達到最佳,測試數(shù)據(jù)集中,隨機森林模型的模型效果:靈敏度為93.70%,特異度為62.97%,準確度為79.49%,陽性預測值為74.58%,陰性預測值為89.39%,AUC值為0.7522。結論:隨機森林模型在冠狀動脈狹窄程度識別中的綜合性能最佳,可以在患者發(fā)病早期,實現(xiàn)對冠狀動脈狹窄的識別,這使得冠狀動脈狹窄的發(fā)生概率被估計的更加準確,在臨床上為醫(yī)生和患者提供更加精確和高效的意見和建議,對提高診療質量具有重要意義。
【圖文】：

圖 1-1 神經網絡簡圖可以看出，神經網絡[27]主要可以分為以下三部分：網絡結構、初始活函數(shù)。根據(jù)不同的網絡結構，可將神經網絡分為幾種不同的類的類型有前饋型神經網絡和反饋型神經網絡兩種，常見的 BP 神經神經網絡，Hopfield 神經網絡[28]是反饋網絡中最簡單且應用最廣用中較為常見神經網絡模型為 BP 神經網絡，它的主要思想[29]是利估計輸出層前一層的誤差，，再用該層誤差來估計更前一層誤差，如估計，這里的誤差估計可以理解為某種偏導數(shù)，我們就是根據(jù)這種的連接權值，再用調整后的連接權值重新計算輸出誤差，直到輸出要求或者迭代次數(shù)溢出設定值。森林（Random forests，RF）林算法是一種基于決策樹的集成學習方法，它最早是由 Breiman

圖 2-1 模型入選自變量重要性比較根據(jù)上述自變量的重要性排序結果，將MDG指標較小的幾個變量進行后向其他變量來參與模型重建，所得模型 AUC 值（即 OOB-AUC）的變化趨勢示。
【學位授予單位】：山西醫(yī)科大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP183;R541.4

【相似文獻】

相關期刊論文 前10條

1 沈智勇;蘇

本文編號：2627503