【摘要】：目的以臨床表現(xiàn)和實驗室指標建立診斷川崎病(KD)的BP神經(jīng)網(wǎng)絡模型并考察其診斷性能。方法收集重慶醫(yī)科大學附屬兒童醫(yī)院(我院)2007年1月至2016年1月電子病歷系統(tǒng)中出院診斷為KD的連續(xù)病例和待鑒別發(fā)熱疾病病例,使用R 3.2.3軟件中的隨機抽樣函數(shù)分為訓練集和測試集。截取病歷中一般情況、臨床表現(xiàn)和實驗室指標的共51項信息,單因素分析后提取有統(tǒng)計學意義的變量,以此分別構建Logistic回歸和BP神經(jīng)網(wǎng)絡模型,比較兩種模型的診斷性能。結果 905例KD患兒和438例待鑒別發(fā)熱疾病患兒進入數(shù)據(jù)模型分析,訓練集1 042例,其中KD 700例,待鑒別發(fā)熱類疾病342例;測試集301例,其中KD 205例,待鑒別發(fā)熱類疾病96例。單因素分析結果顯示差異有統(tǒng)計學意義37項信息。Logistic回歸分類模型有16個變量納入最佳回歸方程。BP神經(jīng)網(wǎng)絡輸入層、隱含層和輸出層分別有37、24和1個節(jié)點。Logistic回歸分類模型對訓練集和測試集的分類正確率為84.1%和82.1%,ROC曲線下面積為0.91和0.89;BP神經(jīng)網(wǎng)絡模型對訓練集和測試集的分類正確率為96.4%和86.0%,ROC曲線下面積為0.94和0.92;2個模型的敏感度均很好,BP神經(jīng)網(wǎng)絡模型的特異度優(yōu)于Logistic回歸分類模型。結論本文建立的BP神經(jīng)網(wǎng)絡診斷模型對KD有較好的診斷輔助功能,有待進一步通過臨床檢驗。
[Abstract]:Objective to establish a BP neural network model for the diagnosis of (KD) in Kawasaki disease based on clinical manifestations and laboratory indexes and to investigate its diagnostic performance. Methods from January 2007 to January 2016, the continuous cases of KD diagnosed in the electronic medical record system of affiliated Children's Hospital of Chongqing Medical University (our hospital) and the cases of febrile diseases to be identified were collected. The random sampling function in R 3.2.3 software was used to divide them into training set and test set. A total of 51 items of information about general situation, clinical manifestation and laboratory index were intercepted, and statistically significant variables were extracted after univariate analysis, and Logistic regression and BP neural network models were constructed to compare the diagnostic performance of the two models. Results 905 children with KD and 438 children with febrile diseases to be identified entered the data model analysis. There were 1042 cases of training set, including 700 cases of KD and 342 cases of febrile diseases to be identified, including 301 cases of KD and 96 cases of febrile diseases to be identified. The results of univariate analysis showed that there were 37 items of information with statistical significance. 16 variables in Logistic regression classification model were included in the optimal regression equation. BP neural network input layer, hidden layer and output layer were 37, 24 and 1 node, respectively. The classification accuracy of Logistic regression classification model for training set and test set was 84.1% and 82.1%, and the area under ROC curve was 0.91 and 0.89. The classification accuracy of BP neural network model for training set and test set is 96.4% and 86.0%. The sensitivity of the two models under ROC curve is 0.94and 0.92. the specificity of BP neural network model is better than that of Logistic regression classification model. Conclusion the BP neural network diagnostic model established in this paper has a good diagnostic auxiliary function for KD, and needs to be further tested.
【作者單位】： 重慶醫(yī)科大學醫(yī)學信息學院;重慶醫(yī)科大學附屬兒童醫(yī)院心內(nèi)科;
【基金】：重慶市自然科學基金:cstc2015shmszx0301
【分類號】：R725.4

【相似文獻】

相關期刊論文 前10條

1 黃學群;一種模擬狗胸腔內(nèi)神經(jīng)節(jié)調(diào)節(jié)心臟活動的神經(jīng)網(wǎng)絡模型[J];國外醫(yī)學.生物醫(yī)學工程分冊;1993年01期

2 王阿明;;高階神經(jīng)網(wǎng)絡模型中的學習算法研究[J];徐州醫(yī)學院學報;2006年04期

3 談彬,王運斗;神經(jīng)網(wǎng)絡模型在衛(wèi)生減員預計方面的初步探討[J];醫(yī)療衛(wèi)生裝備;2004年12期

4 趙筱萍,范驍輝,余杰,程翼宇;一類基于組效關系神經(jīng)網(wǎng)絡模型的中藥藥效預測方法[J];中國中藥雜志;2004年11期

5 王阿明，，梁明理;廣義Hopfield神經(jīng)網(wǎng)絡模型[J];中國醫(yī)學物理學雜志;1994年01期

6 芮建中,凌樹森;神經(jīng)網(wǎng)絡模型及其在臨床藥理學中的應用[J];中國臨床藥理學雜志;1997年03期

7 李國榮，鮑立威;一種新型的通用神經(jīng)網(wǎng)絡模型[J];山東生物醫(yī)學工程;1995年Z1期

8 歐陽楷，崔淑敏，賈文艷，姚京京;一個新的時序神經(jīng)網(wǎng)絡模型及其仿真[J];北京生物醫(yī)學工程;1997年02期

9 文靈玲;用于肌電圖鑒別的神經(jīng)網(wǎng)絡模型[J];國外醫(yī)學.生物醫(yī)學工程分冊;1996年01期

10 申金媛,賈佳,常勝江;用RBF函數(shù)構造神經(jīng)網(wǎng)絡模型[J];光電子·激光;1998年03期

相關會議論文 前10條

1 孫寶成;劉錫薈;;時間序列神經(jīng)網(wǎng)絡模型[A];全國青年管理科學與系統(tǒng)科學論文集（第1卷）[C];1991年

2 周金榮;胡澤新;黃道;;一種多層混合型神經(jīng)網(wǎng)絡模型的研究[A];1995中國控制與決策學術年會論文集[C];1995年

3 王阿明;劉天放;;高階神經(jīng)網(wǎng)絡模型特性研究[A];中國地球物理學會年刊2002——中國地球物理學會第十八屆年會論文集[C];2002年

4 屈景怡;王如彬;;大腦皮層神經(jīng)網(wǎng)絡模型同步問題研究[A];第十四屆全國非線性振動暨第十一屆全國非線性動力學和運動穩(wěn)定性學術會議摘要集與會議議程[C];2013年

5 張美戀;林熙;;經(jīng)濟增長的神經(jīng)網(wǎng)絡模型[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

6 陳昭炯;葉東毅;;一個改進的競爭神經(jīng)網(wǎng)絡模型[A];1996中國控制與決策學術年會論文集[C];1996年

7 郭成安;李建華;李明偉;;從觀測數(shù)據(jù)學習后驗概率函數(shù):一種最佳神經(jīng)網(wǎng)絡模型的設計與分析[A];第十屆全國信號處理學術年會（CCSP-2001）論文集[C];2001年

8 李媛;康春艷;于亞芳;;交指型缺陷接地結構共面波導的神經(jīng)網(wǎng)絡模型[A];2009年全國微波毫米波會議論文集（上冊）[C];2009年

9 禹建麗;蘇中義;楊衛(wèi)平;;牽引傳動中潤滑油牽引系數(shù)的神經(jīng)網(wǎng)絡模型[A];2005年中國智能自動化會議論文集[C];2005年

10 胡金亮;李建生;余學慶;沈建京;周濤;王永炎;;用于中醫(yī)證候量化診斷的神經(jīng)網(wǎng)絡模型的探索[A];計算機在診法中的應用與研究論文匯編[C];2005年

相關重要報紙文章 前1條

1 自治區(qū)交通廳養(yǎng)路費征稽處 程愛娟;應用“神經(jīng)網(wǎng)絡模型”預測婦女的平均工資水平[N];新疆科技報(漢);2000年

相關博士學位論文 前10條

1 袁朝暉;二元離散神經(jīng)網(wǎng)絡模型的動力學分析[D];湖南大學;2003年

2 王軍平;幾類離散神經(jīng)網(wǎng)絡模型的動力學分析[D];復旦大學;2006年

3 南晉華;決策神經(jīng)網(wǎng)絡模型及應用研究[D];華中科技大學;2008年

4 周日貴;量子神經(jīng)網(wǎng)絡模型研究[D];南京航空航天大學;2008年

5 劉艷青;時滯神經(jīng)網(wǎng)絡模型的穩(wěn)定性研究[D];天津大學;2005年

6 趙靈曉;基于部件神經(jīng)網(wǎng)絡模型的制冷系統(tǒng)混合仿真方法及應用[D];上海交通大學;2010年

7 朱紅;高速（HS-K-WTA）神經(jīng)網(wǎng)絡模型[D];南京理工大學;2003年

8 熊佩英;幾類神經(jīng)網(wǎng)絡模型的動力學分析[D];湖南大學;2013年

9 劉開宇;幾類二元神經(jīng)網(wǎng)絡模型的動力學性質(zhì)研究[D];湖南大學;2004年

10 黃振坤;幾類神經(jīng)網(wǎng)絡模型的動力學分析[D];浙江大學;2007年

相關碩士學位論文 前10條

1 楊巍;三元離散神經(jīng)網(wǎng)絡模型的穩(wěn)定性與分岔分析[D];東北林業(yè)大學;2010年

2 孫文淵;基于BP神經(jīng)網(wǎng)絡模型下預測吉林省GDP[D];延邊大學;2015年

3 李波;一類帶有分段連續(xù)控制項的非線性遞推關系的漸近周期性[D];延邊大學;2015年

4 鞏云野;兩類具有時滯項的Cohen-Grossberg神經(jīng)網(wǎng)絡模型的穩(wěn)定性分析[D];東北林業(yè)大學;2015年

5 王薇;一類離散時間雙極人工神經(jīng)網(wǎng)絡模型的周期性[D];延邊大學;2015年

6 李辰風;改進遺傳BP網(wǎng)絡的地表沉降預測方法研究[D];江西理工大學;2015年

7 尤軍;民用建筑沉降監(jiān)測與預報方法應用研究[D];寧夏大學;2015年

8 吳嬌嬌;基于時空神經(jīng)網(wǎng)絡模型的瓦斯?jié)舛阮A測研究[D];中國礦業(yè)大學;2015年

9 李靈光;細長導軌加工變形分析與參數(shù)優(yōu)化技術[D];北京理工大學;2015年

10 王鵬;切換Cohen-Grossberg神經(jīng)網(wǎng)絡模型的動力學分析[D];長沙理工大學;2014年

本文編號：2513237