本文關鍵詞： 急性 出血性腦卒中 預后 支持向量機 Logistic回歸　出處：《南京醫(yī)科大學學報(自然科學版)》2016年01期 　論文類型：期刊論文

【摘要】：目的:比較支持向量機(support vector machine,SVM)和傳統(tǒng)的Logistic回歸構建的急性出血性腦卒中(intracerebral hemorrhage,ICH)早期預后判別模型的預測性能,探索急性ICH預后研究的新方法。方法 :收集急性ICH患者339例,隨訪觀察21 d時的臨床轉歸情況。應用隨機數字法以3∶1的比例分為兩組,一組作為訓練樣本用于篩選變量和建立預測模型,計254例;另一組作為驗證樣本,用于評價模型預測效果,計85例。建模方法采用SVM和常規(guī)統(tǒng)計方法中的Logistic回歸。結果:通過對85例ICH患者的預測判別驗證,SVM1的預測分類能力在4個模型為最強,4個模型預測的準確率和Youden指數分別為:Logistic回歸:72.9%(62.0%~81.7%)、0.441(0.249~0.633);SVM1:82.4%(72.3%~89.5%)、0.632(0.465~0.799);SVM2:78.8%(68.4%~86.6%)、0.557(0.379~0.735);SVM3:78.8%(68.4%~86.6%)、0.563(0.385~0.741)。結論:采用SVM能較好地判斷急性ICH患者的早期預后,其效能優(yōu)于Logistic回歸模型。
[Abstract]:Objective: to compare support vector machine with support vector machine. SVM) and traditional Logistic regression were used to construct acute hemorrhagic stroke / intracerebral hemorrhage. Methods: 339 patients with acute ICH were collected. The clinical outcome of 21 days was followed up and divided into two groups with random number method of 3: 1. The first group was used as training sample to screen variables and establish prediction model for 254 cases. The other group is used as validation sample to evaluate the prediction effect of the model. 85 cases were included. SVM and Logistic regression were used in the modeling method. Results: 85 cases of ICH patients were predicted and verified. The prediction and classification ability of SVM1 is the strongest in the four models. The prediction accuracy and Youden index of the four models were respectively: 72.9% and 62.0% and 81.7%, respectively. 0.441U 0.249C 0.633m; SVM1: 82.4 and 72.3%, 89.5and 0.6320.4650.4650.99m; SVM2: 78.8 and 68.4, including 0.5570.379and 0.735; SVM 3: 78.8% and 68.4%. Conclusion: the early prognosis of patients with acute ICH can be judged better by using SVM. Its efficiency is superior to that of Logistic regression model.
【作者單位】： 南京醫(yī)科大學公共衛(wèi)生學院;南京中醫(yī)藥大學中醫(yī)統(tǒng)計研究和咨詢中心;南京中醫(yī)藥大學第一臨床醫(yī)學院;
【基金】：國家自然科學基金資助項目(81373512) 國家重點基礎研究發(fā)展計劃(973)資助項目(2006CB504807) 江蘇高校優(yōu)勢學科資助項目(PAPD)
【分類號】：R743.3;R-332

【相似文獻】

相關期刊論文 前10條

1 張向東,畢韶丹,關宏宇;拮抗藥化合物活性的支持向量機研究[J];遼寧大學學報(自然科學版);2005年03期

2 羅萬春;;基于支持向量機的凝血功能診斷模型[J];數學的實踐與認識;2013年06期

3 謝洪波,王志中,黃海;表面肌電的支持向量機分類[J];北京生物醫(yī)學工程;2004年02期

4 陸強;馮敏;馬華;張西學;;模糊聚類支持向量機在步態(tài)分類中的應用[J];中國組織工程研究與臨床康復;2011年09期

5 史鑫;羅述謙;;支持向量機在醫(yī)學圖像分割中的應用[J];北京生物醫(yī)學工程;2007年03期

6 李磊;黃水平;;支持向量機原理及其在醫(yī)學分類中的應用[J];中國衛(wèi)生統(tǒng)計;2009年01期

7 鄭莉麗;李曉強;李福鳳;閆西平;王憶勤;王真真;;基于支持向量機的中醫(yī)望診唇色自動分類[J];生物醫(yī)學工程學雜志;2011年01期

8 王浩軍,鄭崇勛,李映,朱華鋒,閆相國;支持向量機在血細胞分類中的應用[J];生物醫(yī)學工程學雜志;2003年03期

9 周舒冬;張磊;葉小華;楊云升;;支持向量機技術在疾病預后中的應用和比較[J];數理醫(yī)藥學雜志;2007年06期

10 胡康達;符紅光;孔祥振;;分級聚類支持向量機在中醫(yī)舌像分類中的應用[J];計算機應用;2010年S2期

相關會議論文 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風險評估模型[A];第六屆（2011）中國管理學年會——商務智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學會2005年信息技術與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機學習方法[A];全國第19屆計算機技術與應用（CACIS）學術會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統(tǒng)辨識方法研究及應用[A];中國力學大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機方法預測膜蛋白類型[A];第十一次中國生物物理學術大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學與技術應用學術會議論文集[C];2003年

8 周星宇;王思元;;智能數學與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學術年會論文集[C];2006年

10 侯澍e，

本文編號：1493581