【摘要】：目的將決策樹(shù)算法應(yīng)用于急性缺血性腦卒中患者出血性轉(zhuǎn)化的風(fēng)險(xiǎn)預(yù)測(cè),找出決策因素,根據(jù)決策路徑對(duì)決策因素進(jìn)行干預(yù),減少出血性轉(zhuǎn)化的發(fā)生,提高患者預(yù)后。方法將2012年01到2017年06月在華北理工大學(xué)附屬醫(yī)院和唐山市工人醫(yī)院神經(jīng)內(nèi)科住院的急性缺血性腦卒中患者作為研究對(duì)象。根據(jù)入院2周內(nèi)是否發(fā)生出血性轉(zhuǎn)化分為出血性轉(zhuǎn)化組與非出血性轉(zhuǎn)化組�；仡櫺允占颊叩牟±畔�,包括一般情況、既往疾病史及藥物史、體格檢查、生理生化檢查、影像學(xué)檢查資料以及治療方案。選擇單因素分析有統(tǒng)計(jì)學(xué)意義的指標(biāo)結(jié)合既往研究結(jié)果確定模型輸入變量,選擇出血性轉(zhuǎn)化作為目標(biāo)變量,按照訓(xùn)練集與測(cè)試集7:3的比例建立Logistic回歸模型、RBF神經(jīng)網(wǎng)絡(luò)模型以及CART、QUEST、C5.0決策樹(shù)模型,并比較模型的預(yù)測(cè)性能。 結(jié)果1單因素分析結(jié)果顯示,出血性轉(zhuǎn)化組高血壓、糖尿病、房顫、腦梗死病史、抗血小板藥物史、大面積腦梗死、腦白質(zhì)疏松、早期CT低密度影、溶栓治療和抗凝治療患者比例及其N(xiāo)IHSS評(píng)分、白細(xì)胞和PT-INR水平顯著高于非出血性轉(zhuǎn)化組,白蛋白和甘油三酯水平顯著低于非出血性轉(zhuǎn)化組。2多因素分析顯示,高血壓、糖尿病、房顫、腦梗死病史、NIHSS評(píng)分、大面積腦梗死、溶栓治療以及白細(xì)胞為出血性轉(zhuǎn)化的危險(xiǎn)因素,抗血小板治療和甘油三酯為出血性轉(zhuǎn)化的保護(hù)因素。3對(duì)314例訓(xùn)練集樣本與146例測(cè)試集樣本進(jìn)行預(yù)測(cè),Logistic回歸模型的準(zhǔn)確率分別為78.3%和69.2%,靈敏度分別為75.8%和75.4%,特異度分別為81.0%和63.6%,Kappa指數(shù)分別為0.567和0.387,AUC分別為0.784和0.695;RBF神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率分別為72.6%和74.7%,靈敏度分別為87.6%和88.4%,特異度分別為56.9%和62.3%,Kappa指數(shù)分別為0.448和0.500,AUC分別為0.719和0.754;CART決策樹(shù)模型的準(zhǔn)確率分別為70.7%和72.6%,靈敏度分別為70.2%和76.8%,特異度分別為71.2%和68.8%,Kappa指數(shù)分別為0.414和0.454,AUC分別為0.707和0.728;QUEST決策樹(shù)模型的準(zhǔn)確率分別為76.8%和76.0%,靈敏度分別為85.1%和84.1%,特異度分別為68.0%和68.8%,Kappa指數(shù)分別為0.533和0.524,AUC分別為0.765和0.764;C5.0決策樹(shù)模型的準(zhǔn)確率分別為96.5%和80.1%,靈敏度分別為98.1%和82.6%,特異度分別為94.8%和77.9%,Kappa指數(shù)分別為0.930和0.603,AUC分別為0.965和0.803。4在訓(xùn)練集中,C5.0決策樹(shù)模型AUC顯著高于其他四種模型;在測(cè)試集中,C5.0決策樹(shù)模型AUC顯著高于QUEST決策樹(shù)模型、CART決策樹(shù)模型以及Logistic回歸模型,與RBF神經(jīng)網(wǎng)絡(luò)模型間AUC比較無(wú)顯著差異。因此,C5.0決策樹(shù)模型預(yù)測(cè)性能優(yōu)于Logistic回歸模型、神經(jīng)網(wǎng)絡(luò)模型以及CART、QUEST決策樹(shù)模型,為最優(yōu)風(fēng)險(xiǎn)預(yù)測(cè)模型。5C5.0決策樹(shù)模型一共生成14條決策路徑,決策因素為NIHSS評(píng)分、PT-INR、甘油三酯、腦梗病史和抗血小板治療等,其中NIHSS評(píng)分為最重要的決策因素。結(jié)論1高血壓、糖尿病、房顫、腦梗死病史、NIHSS評(píng)分、大面積腦梗死、溶栓治療以及白細(xì)胞為出血性轉(zhuǎn)化的危險(xiǎn)因素,抗血小板治療和甘油三酯為出血性轉(zhuǎn)化的保護(hù)因素。2 C5.0決策樹(shù)模型預(yù)測(cè)性能優(yōu)于Logistic回歸模型、神經(jīng)網(wǎng)絡(luò)模型以及CART、QUEST決策樹(shù)模型,為最優(yōu)風(fēng)險(xiǎn)預(yù)測(cè)模型。3 C5.0決策樹(shù)模型一共生成14條決策路徑,決策因素為NIHSS評(píng)分、PT-INR、甘油三酯、腦梗病史和抗血小板治療等,其中NIHSS評(píng)分為最重要的決策因素,可以根據(jù)決策因素及決策路徑指導(dǎo)急性缺血性腦卒中患者出血性轉(zhuǎn)化的二級(jí)預(yù)防與治療。
【學(xué)位授予單位】：華北理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：R743.3
【圖文】：

圖 1 Logistic 回歸模型預(yù)測(cè)變量重要性排序Fig.1 The importance of predictor variables in Logistic regression model RBF 神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)預(yù)測(cè)模型將單因素分析篩選出的 20 個(gè)變量輸入 RBF 神經(jīng)網(wǎng)絡(luò)模型，得到一個(gè)隱含層數(shù)，隱含層神經(jīng)元數(shù)為 10 的 BP 神經(jīng)網(wǎng)絡(luò)模型；該模型對(duì) 314 例訓(xùn)練集樣本與例測(cè)試集樣本進(jìn)行預(yù)測(cè)，準(zhǔn)確率分別為 72.6%和 74.7%，平均正確性分別為%和 47.8%；訓(xùn)練集靈敏度為 87.6%，特異度為 56.9%，約登指數(shù)為 0.45，陽(yáng)然比為 2.032，陰性似然比為 0.218，Kappa 指數(shù)為 0.448，陽(yáng)性預(yù)測(cè)值為%，陰性預(yù)測(cè)值 81.3%，AUC 為 0.719（95%CI：0.666~0.768）；測(cè)試集靈敏 88.4%，特異度為 62.3%，約登指數(shù)為 0.51，陽(yáng)性似然比為 2.345，陰性似然 0.186，Kappa 指數(shù)為 0.500，陽(yáng)性預(yù)測(cè)值為 67.8%，陰性預(yù)測(cè)值為 85.7%， 為 0.754（95%CI：0.676~0.821）。（見(jiàn)表 9-11）

否 20（12.4） 87（56.7） 107合計(jì) 161 153 314表 11 RBF 神經(jīng)網(wǎng)絡(luò)模型測(cè)試集樣本的分類(lèi)結(jié)果[n（%）]Table 11 The result of test set in RBF neural network model [n（%）]測(cè)試集預(yù)測(cè)值觀測(cè)值合計(jì)是 否是 61（88.4） 29（37.7） 90否 8（11.6） 48（62.3） 56合計(jì) 69 77 146RBF 神經(jīng)網(wǎng)絡(luò)模型對(duì)預(yù)測(cè)變量進(jìn)行敏感度分析，影響出血性轉(zhuǎn)化的變量重要序依次是 NIHSS 評(píng)分，白蛋白，甘油三酯，血漿纖維蛋白原，HDL-C，LDLT-INR，血小板，高血壓和抗凝治療等。（見(jiàn)圖 2）

華北理工大學(xué)碩士學(xué)位論文CART 決策樹(shù)模型根據(jù) Gini 系數(shù)進(jìn)行變量屬性分類(lèi)，按照信息增益進(jìn)行預(yù)重要性排序，依次為 NIHSS 評(píng)分，PT-INR，血小板，甘油三酯，溶栓治療-C，白蛋白，LDL-C，糖尿病和血漿纖維蛋白原，其中最重要的預(yù)測(cè)變量SS 評(píng)分和 PT-INR。（見(jiàn)圖 3）
【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 李海林;賈曉雁;王晉鵬;翁銀燕;張亮;金毅;余丹風(fēng);;急診獨(dú)立模式溶栓縮短急性缺血性腦卒中患者入院-溶栓時(shí)間探討[J];中華急診醫(yī)學(xué)雜志;2016年09期

2 耿云平;郭廣春;劉蕾;任悠悠;楊磊;;灌注CT微血管通透性對(duì)缺血性腦卒中患者出血性轉(zhuǎn)化的預(yù)測(cè)[J];中華老年心腦血管病雜志;2015年12期

3 李麗;;腦梗死靜脈溶栓治療后出血性轉(zhuǎn)化及其預(yù)后的危險(xiǎn)因素分析[J];中西醫(yī)結(jié)合心腦血管病雜志;2015年06期

4 吳立新;;未溶栓腦梗死患者發(fā)生自發(fā)性出血性轉(zhuǎn)化的危險(xiǎn)因素及預(yù)后[J];中國(guó)老年學(xué)雜志;2015年09期

5 Yan-yan SONG;Ying LU;;用于分類(lèi)與預(yù)測(cè)的決策樹(shù)分析（英文）[J];上海精神醫(yī)學(xué);2015年02期

6 肖春月;;急性腦梗死后出血性轉(zhuǎn)化45例臨床分析[J];中國(guó)臨床醫(yī)生雜志;2015年04期

7 魏衡;余勇飛;周瑞;尹虹祥;杜繼臣;楊旭;邱石;;HAT、SEDAN評(píng)分及相關(guān)腦血管病危險(xiǎn)因素預(yù)測(cè)急性缺血性卒中溶栓后出血性轉(zhuǎn)化臨床研究[J];中國(guó)現(xiàn)代神經(jīng)疾病雜志;2015年02期

8 帥健;李麗萍;陳業(yè)群;;決策樹(shù)模型與Logistic回歸模型在傷害發(fā)生影響因素分析中的作用[J];中華疾病控制雜志;2015年02期

9 田洪;劉磊;郝磊;臧巧利;朱川;;急性腦梗死后出血性轉(zhuǎn)化48例臨床特點(diǎn)分析[J];重慶醫(yī)學(xué);2015年02期

10 冼文川;朱育昌;張惠婷;鐘望濤;;缺血性腦卒中患者靜脈溶栓后出血性轉(zhuǎn)化[J];中國(guó)老年學(xué)雜志;2015年01期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 卑貴光;腦梗塞出血性轉(zhuǎn)化的MR分型與預(yù)后相關(guān)性研究[D];中國(guó)醫(yī)科大學(xué);2010年

2 李長(zhǎng)平;Logistic回歸、決策樹(shù)和神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)2型糖尿病并發(fā)末梢神經(jīng)病變中的性能比較[D];中國(guó)人民解放軍軍事醫(yī)學(xué)科學(xué)院;2009年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 王瀟;血管性認(rèn)知障礙影響因素的決策樹(shù)模型研究[D];青島大學(xué);2017年

2 史彬;基于Logistic回歸分析的胃癌前病變風(fēng)險(xiǎn)預(yù)測(cè)模型的建立及評(píng)價(jià)[D];中國(guó)中醫(yī)科學(xué)院;2017年

3 李晶;影響大面積腦梗死預(yù)后的多因素分析及顱腦水瘀證分布特點(diǎn)的研究[D];廣州中醫(yī)藥大學(xué);2017年

4 劉娟娟;急性腦梗死非溶栓后出血性轉(zhuǎn)化的臨床研究[D];河北醫(yī)科大學(xué);2017年

5 齊金喜;63例急性腦梗死后出血性轉(zhuǎn)化的臨床特征及其危險(xiǎn)因素分析[D];寧夏醫(yī)科大學(xué);2017年

6 呂遠(yuǎn)飛;決策樹(shù)在MDS和AA鑒別診斷中的應(yīng)用[D];華北理工大學(xué);2016年

7 宋健;Logistic回歸模型、神經(jīng)網(wǎng)絡(luò)模型和決策樹(shù)模型在肺癌術(shù)后心肺并發(fā)癥預(yù)測(cè)中的比較[D];安徽醫(yī)科大學(xué);2014年

8 張艷利;腦梗死出血性轉(zhuǎn)化的發(fā)生時(shí)間及MRI分型[D];蘭州大學(xué);2014年

9 尹俊雄;腦梗死后自發(fā)性出血性轉(zhuǎn)化的危險(xiǎn)因素及其與預(yù)后的相關(guān)性研究[D];瀘州醫(yī)學(xué)院;2013年

10 唐森;非溶栓性急性腦梗死出血性轉(zhuǎn)化的相關(guān)危險(xiǎn)因素分析[D];大連醫(yī)科大學(xué);2013年

本文編號(hào)：2838091