目的探討睡眠時間及體力活動與首發(fā)缺血性腦卒中的關(guān)系,分析首發(fā)缺血性腦卒中的影響因素,建立決策樹模型,以期對首發(fā)缺血性腦卒中的發(fā)生起到一定的預(yù)警作用。方法選取2017年9月至2019年9月于本院老年醫(yī)學科和神經(jīng)內(nèi)科診斷為首發(fā)缺血性腦卒中住院患者320例（病例組）;同期于本院健康查體中心查體且年齡、性別與前者可比的健康查體者279例（對照組）。采用統(tǒng)一問卷采集生活行為習慣資料如睡眠時間、體力活動、飲茶、飲酒、吸煙、飲食等;人口學資料,如性別、年齡、身高、體重、身體質(zhì)量指數(shù)（BMI）;以及既往病史資料如高血壓病、糖尿病、高脂血癥、頸動脈硬化、心血管病。統(tǒng)計學軟件采用SPSS 24.0,計數(shù)資料用例數(shù)和百分比表示,計量資料用x±s表示,計數(shù)資料采用c2檢驗,計量資料采用獨立樣本t檢驗。比較兩組患者的一般臨床資料。采用多因素Logistic回歸分析睡眠時間、體力活動與首發(fā)缺血性腦卒中的關(guān)系,以及首發(fā)缺血性腦卒中的保護因素和危險因素。以P<0.05為差異有統(tǒng)計學意義。同時采用IBM SPSS Modeler 18.0軟件進行決策樹C5.0算法,建立首發(fā)缺血性腦卒中影響因素決策樹模型,觀察睡眠... 

【文章來源】：青島大學山東省

【文章頁數(shù)】：47 頁

【學位級別】：碩士

【部分圖文】：

決策樹模型各變量重要性排序

首發(fā)缺血性腦卒中影響因素決策樹分析

結(jié)果134.決策樹模型及Logistic回歸模型預(yù)測首發(fā)缺血性腦卒中發(fā)生的ROC曲線本文對2檢驗、t檢驗中P＜0.05的影響因素采用決策樹C5.0算法，并采用分層十折交叉驗證，驗證決策樹模型準確性平均值為84.1%，標準誤為1.6%。以決策樹模型預(yù)測結(jié)果為檢驗變量，是否為缺血性腦卒中為狀態(tài)變量繪制ROC曲線（見圖3），得出決策樹模型預(yù)測發(fā)生首發(fā)缺血性腦卒中的AUC為0.905（95%CI=0.879-0.927）,P＜0.01；Logistic回歸模型預(yù)測發(fā)生首發(fā)缺血性腦卒中的AUC為0.875（95%CI=0.846-0.901），P＜0.01。兩者ROC曲線比較，P＜0.05，顯示兩者預(yù)測能力差異有統(tǒng)計學意義，并且Logistic回歸模型的曲線下面積較決策樹模型的曲線下面積小，表明決策樹模型的預(yù)測效果較好，優(yōu)于Logistic回歸模型。圖3決策樹模型及Logistic回歸模型預(yù)測首發(fā)缺血性腦卒中發(fā)生的ROC曲線

【參考文獻】：
期刊論文
[1]基于決策樹法和Logistic回歸預(yù)測神經(jīng)外科老年住院患者醫(yī)院感染風險的研究[J]. 樊雯婧,樓冬潔,盧新,鮮于舒銘.  中華醫(yī)院感染學雜志. 2020(06)
[2]聯(lián)合決策樹及l(fā)ogistic回歸建立乳腺癌相對風險預(yù)測模型[J]. 宋祖玲,刁莎,嚴蘭平,周敏,吳林.  現(xiàn)代預(yù)防醫(yī)學. 2019(07)
[3]中國高血壓防治指南（2018年修訂版）[J]. Writing Group of 2018 Chinese Guidelines for the Management of Hypertension, Chinese Hypertension League, Chinese Society of Cardiology, Chinese Medical Doctor Association Hypertension Committee, Hypertension Branch of China International Exchange and Promotive Association for Medical and Health Care, Hypertension Branch of Chinese Geriatric Medical Association;.  中國心血管雜志. 2019(01)
[4]C5.0決策樹與RBF神經(jīng)網(wǎng)絡(luò)模型用于急性缺血性腦卒中出血性轉(zhuǎn)化的風險預(yù)測性能比較[J]. 王海東,張璐,王潔,李晶,周瑩,王國立,汪可可,彭延波,武建輝.  中華疾病控制雜志. 2019(02)
[5]急性缺血性腦卒中影響因素分析[J]. 王一,羅慶明,張志民,孟慶濤,李軍.  臨床軍醫(yī)雜志. 2018(12)
[6]基于優(yōu)化決策樹的腦卒中日常生活習慣風險因素分析[J]. 邵澤國,陳晨,陳煒.  現(xiàn)代預(yù)防醫(yī)學. 2018(15)
[7]缺血性和出血性腦卒中危險因素分析[J]. 劉廣會.  中國衛(wèi)生工程學. 2018(02)
[8]中國2型糖尿病防治指南（2017年版）[J]. Chinese Diabetes Society;.  中國實用內(nèi)科雜志. 2018(04)
[9]睡眠時間與高血壓、糖尿病和冠心病關(guān)系的現(xiàn)況研究[J]. 董紅,李連海.  臨床醫(yī)藥文獻電子雜志. 2017(78)
[10]糖尿病與缺血性腦卒中患者頸動脈硬化程度的相關(guān)性[J]. 許鵬杰,羅成宏,蘇斌儒,陸偉恒,陳月富.  中華老年心腦血管病雜志. 2017(04)

博士論文
[1]腦卒中家族史、飲茶與缺血性腦卒中發(fā)病風險的前瞻性隊列研究[D]. 田甜.南京醫(yī)科大學 2017

碩士論文
[1]缺血性腦卒中危險因素及預(yù)后的性別差異研究[D]. 肖爽.北京協(xié)和醫(yī)學院 2019
[2]基于不平衡數(shù)據(jù)的支持向量機和決策樹算法的研究[D]. 侯敏杰.大連理工大學 2018
[3]輕度認知障礙影響因素預(yù)測模型研究[D]. 石宇.青島大學 2018
[4]工作日及非工作日睡眠時間與心肌梗死及腦卒中相關(guān)性[D]. 張兵.南昌大學 2018
[5]睡眠與初發(fā)缺血性腦卒中關(guān)系的病例對照研究[D]. 何俏.中國醫(yī)科大學 2018
[6]血管性認知障礙影響因素的決策樹模型研究[D]. 王瀟.青島大學 2017
[7]睡眠時間與糖代謝的相關(guān)性研究[D]. 周亞茹.蘭州大學 2017
[8]Logistic回歸樣本量確定所需自變量事件數(shù)的模擬研究[D]. 孫亞清.南方醫(yī)科大學 2016
[9]基于禁忌搜索算法的貝葉斯網(wǎng)絡(luò)在疾病預(yù)測與診斷中的應(yīng)用[D]. 張雪雷.山西醫(yī)科大學 2015



本文編號：3398248