【摘要】：目的構(gòu)建川崎病(Kawasaki Disease,KD)急性期并發(fā)冠狀動脈損傷(Coronary Artery Lesion,CAL)的預(yù)測模型和認(rèn)知圖(Cognitive Map,CM),對臨床上該領(lǐng)域研究方法進(jìn)行探討。方法通過查閱PubMed、Web of Science、EBSCCO、中國知網(wǎng)、萬方、維普等數(shù)據(jù)庫,提取既往研究中KD并發(fā)CAL危險(xiǎn)因素的生物學(xué)指標(biāo),同時(shí)在數(shù)據(jù)庫中提取KD患兒入院后第一次生化檢查指標(biāo),刪除缺失率超過5%的指標(biāo)后對數(shù)據(jù)進(jìn)行處理,采用B-P神經(jīng)網(wǎng)絡(luò)(Back Propagation Artificial Neural Network,BPANK)建立的預(yù)測模型來確定各指標(biāo)廣義權(quán)重(Generalize Weight,GW),利用貝葉斯網(wǎng)絡(luò)(Bayesian Network,BN)挖掘各生物學(xué)指標(biāo)與CAL的關(guān)系,結(jié)合GW確定在BPANN預(yù)測模型中與KD并發(fā)CAL有關(guān)的主要危險(xiǎn)因素和各個(gè)因素間的關(guān)聯(lián)強(qiáng)度,最后構(gòu)建KD并發(fā)CAL的CM。結(jié)果BPANN預(yù)測模型結(jié)果顯示訓(xùn)練集的分類一致率為94.64%,靈敏度為63.76%,特異度為99.85%;測試集分類一致率為94.63%,靈敏度為53.45%,特異度為99.59%。GW散點(diǎn)圖中紅細(xì)胞、白細(xì)胞在整個(gè)模型中的權(quán)重接近于0;BN模型結(jié)果顯示紅細(xì)胞、白細(xì)胞計(jì)數(shù)與CAL獨(dú)立,其余各個(gè)節(jié)點(diǎn)間存在7條關(guān)系,分別為年齡與紅細(xì)胞壓積,年齡與中性粒細(xì)胞百分比,血紅蛋白與CAL,紅細(xì)胞壓積與血紅蛋白,CAL與中性粒細(xì)胞百分比,血小板計(jì)數(shù)與中性粒細(xì)胞百分比,中性粒細(xì)胞百分比與C-反應(yīng)蛋白。結(jié)論根據(jù)患兒入院后第一次生化檢查數(shù)據(jù),采用BPANN方法建立KD患兒并發(fā)CAL的預(yù)測模型,提高了預(yù)測精度,對臨床早期識別并發(fā)CAL的高�；純壕哂袇⒖家饬x。結(jié)合BN結(jié)果,構(gòu)建年齡、血小板計(jì)數(shù)、紅細(xì)胞壓積、血紅蛋白、C-反應(yīng)蛋白、中性粒細(xì)胞百分比與CAL之間的CM,直觀的顯示了各指標(biāo)間的關(guān)聯(lián)關(guān)系及關(guān)聯(lián)強(qiáng)度,對臨床該領(lǐng)域研究方法進(jìn)行了探討。但由于BPANN模型靈敏度較低,還需納入更多非生化指標(biāo)因素,并與炎癥、免疫相關(guān)疾病對照,結(jié)合數(shù)據(jù)挖掘的方法進(jìn)一步研究。
[Abstract]:Objective to construct a predictive model and a cognitive map (Cognitive Map,CM) of acute coronary artery injury (Coronary Artery Lesion,CAL) in Kawasaki disease (Kawasaki Disease,KD). Methods the biological indexes of the risk factors of KD complicated with CAL were extracted from the databases of PubMed,Web of Science,EBSCCO, Wanfang and Weip, and the first biochemical indexes of the children with KD were extracted from the database. The data are processed after the deletion rate is more than 5%. The prediction model established by B-P neural network (Back Propagation Artificial Neural Network,BPANK) is used to determine the generalized weight (Generalize Weight,GW) of each index, and Bayesian network (Bayesian Network,BN) is used to mine the relationship between each biological index and CAL. Combined with GW to determine the main risk factors related to KD concurrent CAL and the correlation strength of each factor in the BPANN prediction model. Finally, the CM. of KD concurrent CAL was constructed. Results the results of BPANN prediction model showed that the classification consistency rate of training set was 94.64, the sensitivity was 63.76, the specificity was 99.85, the classification consistency rate of test set was 94.63, the sensitivity was 53.45 and the specificity was erythrocyte in 99.59%.GW scatter plot. The weight of leukocytes in the whole model was close to that in the model of 0 BNM. The results showed that the white blood cell count was independent of CAL, and there were 7 relationships between the other nodes: age and hematocrit, age and percentage of neutrophils. Hemoglobin and CAL, hematocrit and hemoglobin, CAL and neutrophil percentage, platelet count and neutrophil percentage, neutrophil percentage and C-reactive protein. Conclusion based on the data of the first biochemical examination after admission, the prediction model of KD complicated with CAL was established by using BPANN method, which improved the prediction accuracy, and has reference significance for early clinical identification of high-risk children with CAL. Combined with the BN results, the CM, of age, platelet count, hematocrit, hemoglobin, C-reactive protein, neutrophil percentage and CAL showed the correlation and intensity of each index. The methods of clinical research in this field were discussed. However, because of the low sensitivity of BPANN model, it is necessary to include more non-biochemical index factors, and compare with inflammation and immune-related diseases, combined with the method of data mining to further study.
【學(xué)位授予單位】：重慶醫(yī)科大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：R725.4

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉云冬,邱方;青年電擊傷復(fù)蘇后急性冠狀動脈損傷2例[J];中國煤炭工業(yè)醫(yī)學(xué)雜志;1999年03期

2 菲琳拉;;維生素C可恢復(fù)吸煙者的冠狀動脈損傷[J];國外醫(yī)學(xué)情報(bào);2001年07期

3 袁雄偉;楊軍;劉琮;王國兵;李成榮;;纖溶酶原激活物抑制物-1基因啟動子區(qū)4G/5G多態(tài)性與川崎病冠狀動脈損傷的關(guān)系[J];中國實(shí)用兒科雜志;2006年06期

4 王文林;蔣仁超;曾偉生;;介入治療致左心室和冠狀動脈損傷1例[J];實(shí)用醫(yī)學(xué)雜志;2006年11期

5 張紅艷;;川崎病患兒肝功及心肌酶譜情況與冠狀動脈損傷的關(guān)系[J];中國初級衛(wèi)生保健;2011年06期

6 張永蘭;杜忠東;;小兒川崎病冠狀動脈損傷的危險(xiǎn)因素[J];中國實(shí)用兒科雜志;2006年10期

7 陳全景;雷勛明;隗遠(yuǎn)祥;蔣凌;;川崎病患兒血清C反應(yīng)蛋白與心肌酶譜和冠狀動脈損傷的關(guān)系[J];實(shí)用醫(yī)學(xué)雜志;2010年22期

8 王鳳鳴;李軍;趙乃錚;秦玉明;朱善良;;內(nèi)皮細(xì)胞型一氧化氮合酶基因多態(tài)性與川崎病冠狀動脈損傷易感性的相關(guān)性[J];實(shí)用兒科臨床雜志;2009年13期

9 鄢榮;王凱;;心臟刺創(chuàng)致冠狀動脈損傷延遲破裂一例尸檢分析[J];臨床誤診誤治;2011年03期

10 何露;蔡晶娟;周小玲;;川崎病患兒合并冠狀動脈損傷的危險(xiǎn)因素分析[J];北方藥學(xué);2013年03期

相關(guān)會議論文 前6條

1 楊斌;;外周大動脈結(jié)構(gòu)和功能改變與冠狀動脈損傷的關(guān)系[A];2003年全國醫(yī)學(xué)影像技術(shù)學(xué)術(shù)會議論文匯編[C];2003年

2 顏毅;張抒揚(yáng);陳連鳳;;生長分化因子-15與冠狀動脈損傷的關(guān)系[A];中華醫(yī)學(xué)會第11次心血管病學(xué)術(shù)會議論文摘要集[C];2009年

3 侯陽;于憲一;郭文力;岳勇;郭啟勇;;小兒川崎病冠狀動脈損傷的多層螺旋CT診斷[A];中華醫(yī)學(xué)會第十三屆全國放射學(xué)大會論文匯編（下冊）[C];2006年

4 謝利劍;閆敬茹;王健怡;肖婷婷;沈捷;黃敏;;人免疫球蛋白對川崎病動物模型冠狀動脈炎的作用[A];2012年江浙滬兒科學(xué)術(shù)年會暨浙江省醫(yī)學(xué)會兒科學(xué)分會學(xué)術(shù)年會、兒內(nèi)科疾病診治新進(jìn)展國家級學(xué)習(xí)班論文匯編[C];2012年

5 謝利劍;閆敬茹;黃敏;沈捷;肖婷婷;;CAWS誘導(dǎo)小鼠川崎病冠狀動脈損傷的實(shí)驗(yàn)研究[A];中華醫(yī)學(xué)會第十七次全國兒科學(xué)術(shù)大會論文匯編（上冊）[C];2012年

6 齊延琦;龔方戚;汪偉;傅松齡;王毓佳;顧偉忠;;RAGE及其促炎配體S100A12在免疫性冠狀動脈損傷中的作用研究[A];2011年浙江省醫(yī)學(xué)會兒科學(xué)分會學(xué)術(shù)年會暨兒內(nèi)科疾病診治新進(jìn)展國家級學(xué)習(xí)班論文匯編[C];2011年

相關(guān)博士學(xué)位論文 前2條

1 司菲菲;IL-27在川崎病冠狀動脈損傷中的作用及機(jī)制研究[D];重慶醫(yī)科大學(xué);2017年

2 陳晶晶;中國川崎病患兒并發(fā)冠狀動脈損傷的危險(xiǎn)程度評分的研究[D];華中科技大學(xué);2011年

相關(guān)碩士學(xué)位論文 前3條

1 齊延琦;S100A12-RAGE途徑在免疫性冠狀動脈損傷中的作用研究[D];浙江大學(xué);2011年

2 姚翠翠;血漿內(nèi)皮微粒水平變化與川崎病冠狀動脈損傷關(guān)系的研究[D];中國醫(yī)科大學(xué);2008年

3 喬東麗;川崎病患兒血漿中人軟骨糖蛋白39的變化及臨床意義[D];山西醫(yī)科大學(xué);2017年

，

本文編號：2274037