本文關鍵詞：臨床醫(yī)學縱向數據的分析方法研究

  更多相關文章： 縱向數據 聚類分析 變量選擇 數據分組處理算法 多層線性模型

【摘要】：隨著醫(yī)學技術的發(fā)展,醫(yī)學數據也在大量的積累。為迎合臨床診斷、科研教學方面的需求,臨床醫(yī)學數據分析技術逐漸成為臨床醫(yī)學領域研究的熱點。臨床醫(yī)學數據主要包括截面數據,時間序列數據和縱向數據。截面數據是指在同一次調查中得到的數據,在醫(yī)學上可以用來分析疾病的影響因素。時間序列數據是指隨著時間的變化收集到的數據。不同于上面兩種數據,縱向數據是把截面數據和時間序列數據相結合的方式,在臨床上以隨訪的方式收集到的多個患者的檢測數據。通過分析縱向數據,能得到個體特征隨時間變化的趨勢,也可以分析出個體之間的差異性。因此臨床縱向數據的分析有著很重要的醫(yī)學意義。本文在對臨床醫(yī)學縱向數據的特點進行分析后,提出了面向醫(yī)學縱向數據的聚類分析算法和變量選擇算法。然后建立了改進了的多層線性模型,并通過分析實際的臨床醫(yī)學縱向數據驗證了我們的多層線性模型在臨床醫(yī)學縱向數據研究中的有效性。本文的研究工作內容具體如下:(1)根據醫(yī)生長期的臨床經驗,尤其結合中醫(yī)對患者體質的區(qū)分思想,即使同一病種、同一分期的患者,其疾病發(fā)展的趨勢也不盡相同,而且醫(yī)生經驗往往認為這些患者的疾病發(fā)展趨勢可以進一步細分為幾類。也就是說,一些病人之間往往會存在相似的病理發(fā)展趨勢或者相同的癥狀,但是對研究人群而言,到底疾病變化趨勢的發(fā)展分為幾類,醫(yī)生經驗無法給出。因此,需要根據醫(yī)學縱向數據將病人的疾病發(fā)展趨勢進行聚類分析,得到的類別可以給醫(yī)生提供一些診療建議。考慮到臨床醫(yī)學縱向數據多維度的特點,我們提出擴展范式距離來度量病人間的相似性,并結合不受聚類中心隨機選擇影響的改進K均值算法進行縱向數據的聚類分析。然后對非小細胞肺癌縱向數據和妊娠高血壓縱向數據分別進行了對比實驗。實驗結果表明,我們的方法可以對縱向數據可以實現(xiàn)更有效的聚類,其有效性和可行性適用于以聚類分析為目的的臨床醫(yī)學縱向數據的分析。(2)在臨床醫(yī)學縱向數據分析中,由于縱向數據的維度比較多,會加大建模的困難,所以在實際建模中,我們需要選擇對病癥影響比較大的特征來作為模型的輸入。本文提出了基于GMDH算法的變量選擇算法,考慮到該算法具有選擇出與因變量密切相關的自變量的特點,本文將此方法用于臨床醫(yī)學縱向數據的變量選擇中,這在本人所查閱的文獻中尚未見到類似應用。通過在非小細胞肺癌縱向數據實驗上的應用,可以得到該方法不僅能有效減少數據維度和算法復雜度,而且能保證有效的聚類結果。(3)針對縱向數據的特點,首先分析了多層線性模型在臨床縱向數據處理上的一些的優(yōu)點和局限性,無法分析隨時間變化的指標對病癥的影響,本文提出將縱向數據中時變的變量先進行聚類,然后再進行多層線性模型分析,進而改進了多層線性模型。然后,將改進后的模型應用到非小細胞肺癌縱向數據和妊娠高血壓數據中,分析得到了病癥的變化趨勢,以及個體之間的差異性,為醫(yī)生提供了一些診療建議。實驗結果表明我們所提出的基于時變變量聚類的多層線性模型,能夠解決時變變量不便在這類模型中作為自變量應用的現(xiàn)狀。
【關鍵詞】：縱向數據 聚類分析 變量選擇 數據分組處理算法 多層線性模型
【學位授予單位】：北京工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：R4;TP311.13
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 緒論10-18
• 1.1 課題研究背景及意義10-11
• 1.2 縱向數據分析方法的國內外研究現(xiàn)狀11-14
• 1.2.1 縱向數據聚類分析的研究現(xiàn)狀12-13
• 1.2.2 變量選擇算法的研究現(xiàn)狀13
• 1.2.3 縱向數據建模的研究現(xiàn)狀13-14
• 1.3 本文的主要內容14-15
• 1.4 本文的組織結構15-18
• 第2章 基于臨床醫(yī)學縱向數據建模方案設計18-24
• 2.1 臨床縱向數據建模的整體方案18-20
• 2.2 研究數據及特征20-21
• 2.2.1 研究數據集介紹20
• 2.2.2 實驗數據指標的介紹20-21
• 2.2.3 數據特點分析21
• 2.3 本章小結21-24
• 第3章 基于EFros距離的改進的K均值聚類算法的研究24-38
• 3.1 聚類分析方法24-25
• 3.2 相似性度量方法的研究25-28
• 3.2.1 相似性度量方法26-27
• 3.2.2 常用聚類算法27-28
• 3.3 基于EFros距離的改進的K均值聚類算法的研究28-31
• 3.3.1 基本思路28-29
• 3.3.2 算法步驟29-30
• 3.3.3 聚類效果評價30-31
• 3.4 實驗及分析31-35
• 3.4.1 非小細胞肺癌數據聚類實驗31-33
• 3.4.2 妊娠高血壓數據聚類實驗33-35
• 3.5 本章小結35-38
• 第4章 基于GMDH算法的縱向數據變量選擇方法研究38-46
• 4.1 變量選擇方法的研究38-39
• 4.1.1 子集選擇方法38
• 4.1.2 懲罰估計方法38-39
• 4.2 GMDH理論的研究39-41
• 4.2.1 GMDH的基本概念39-40
• 4.2.2 GMDH的建模過程40
• 4.2.3 GMDH算法的實現(xiàn)流程40-41
• 4.3 基于GMDH算法的縱向數據變量選擇算法的研究41-42
• 4.3.1 面向GMDH算法的縱向數據41-42
• 4.3.2 基于GMDH算法的縱向數據變量選擇算法42
• 4.4 實驗及分析42-44
• 4.5 本章小結44-46
• 第5章 面向臨床醫(yī)學縱向數據的改進的多層線性模型建模方法研究46-60
• 5.1 多層線性模型的描述46-47
• 5.2 縱向數據下的多層線性模型原理47-48
• 5.3 面向縱向臨床數據的多層線性模型建模方法的研究48-49
• 5.3.1 多層線性模型下的縱向數據48-49
• 5.3.2 面向縱向數據多層線性模型輸入的改進49
• 5.4 實驗及分析49-58
• 5.4.1 非小細胞肺癌數據實驗50-55
• 5.4.2 妊娠高血壓醫(yī)學數據實驗55-58
• 5.5 本章小結58-60
• 結論與展望60-62
• 參考文獻62-66
• 攻讀碩士學位期間所發(fā)表的學術成果66-68
• 致謝68

【相似文獻】

中國期刊全文數據庫 前7條

1 李春紅;張忠占;;縱向數據下藥物劑量水平的統(tǒng)計分析[J];高校應用數學學報A輯(中文版);2006年03期

2 莊嚴;邢艷春;馬文卿;;含有缺失機制的多元縱向數據分析[J];中國衛(wèi)生統(tǒng)計;2008年05期

3 李雷德;祁瑞;行岳真;隋虹;;廣義估計方程與準最小二乘在社區(qū)縱向數據分析中的應用[J];實用預防醫(yī)學;2013年11期

4 劉沛,王燦楠;在醫(yī)學縱向數據分析中SAS內部邏輯變量的應用[J];中國衛(wèi)生統(tǒng)計;2001年01期

5 馮麗云;James Cui;;縱向數據準似然獨立準則在GEE模型中的應用[J];中國衛(wèi)生統(tǒng)計;2008年04期

6 廉啟國;高爾生;涂曉雯;樓超華;;Stata中xtmixed與xtgee相對于縱向數據分析的比較[J];中國衛(wèi)生統(tǒng)計;2007年05期

7 ;[J];;年期

中國重要會議論文全文數據庫 前1條

1 韋博成;解鋒昌;林金官;;ZI數據的統(tǒng)計分析[A];江蘇省現(xiàn)場統(tǒng)計研究會第11次學術年會論文集[C];2008年

中國博士學位論文全文數據庫 前8條

1 徐麗麗;帶有混合相關結構的縱向數據的統(tǒng)計分析[D];東北師范大學;2011年

2 張濤;含有測量誤差的縱向數據的統(tǒng)計推斷[D];復旦大學;2011年

3 田瑞琴;縱向數據下半參數回歸模型的統(tǒng)計推斷[D];北京工業(yè)大學;2014年

4 嚴國義;縱向數據與生存數據的半參數聯(lián)合模型研究[D];武漢大學;2013年

5 胡爽;經驗似然縱向數據和似然Dantzig Selector方法[D];山東大學;2011年

6 肖立群;響應變量受限縱向數據中若干統(tǒng)計問題的研究[D];中國科學技術大學;2014年

7 李萬斌;縱向數據下變系數混合效應模型的有效推斷[D];北京工業(yè)大學;2014年

8 許佩蓉;高維縱向數據中邊際模型和混合效應模型的若干研究[D];華東師范大學;2013年

中國碩士學位論文全文數據庫 前10條

1 陳麗芳;縱向數據下半參數工具變量模型的二次推斷函數估計及應用[D];重慶工商大學;2016年

2 陳登峰;縱向數據下兩類半參數回歸模型的二次光滑估計[D];北京工業(yè)大學;2016年

3 孫延輝;臨床醫(yī)學縱向數據的分析方法研究[D];北京工業(yè)大學;2016年

4 石琳;縱向數據處理中的異方差分析[D];山東科技大學;2008年

5 韓旭;簡單序約束下基于二次推斷函數的縱向數據模型選擇方法[D];東北師范大學;2011年

6 姜丹丹;含有有序變量和連續(xù)變量的多元縱向數據分析[D];東北師范大學;2007年

7 莊嚴;含有缺失機制的多元縱向數據分析[D];東北師范大學;2007年

8 范俊花;具有一致相關和指數相關的縱向數據模型中異方差和相關性檢驗[D];東南大學;2006年

9 趙曉云;縱向數據缺失處理對分析模型影響的研究[D];天津財經大學;2013年

10 戴小飛;縱向數據混合效應模型的研究[D];揚州大學;2009年

，

本文編號：813611