【摘要】：目的將決策樹算法應用于急性缺血性腦卒中患者出血性轉化的風險預測,找出決策因素,根據(jù)決策路徑對決策因素進行干預,減少出血性轉化的發(fā)生,提高患者預后。方法將2012年01到2017年06月在華北理工大學附屬醫(yī)院和唐山市工人醫(yī)院神經內科住院的急性缺血性腦卒中患者作為研究對象。根據(jù)入院2周內是否發(fā)生出血性轉化分為出血性轉化組與非出血性轉化組�；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、影像學檢查資料以及治療方案。選擇單因素分析有統(tǒng)計學意義的指標結合既往研究結果確定模型輸入變量,選擇出血性轉化作為目標變量,按照訓練集與測試集7:3的比例建立Logistic回歸模型、RBF神經網絡模型以及CART、QUEST、C5.0決策樹模型,并比較模型的預測性能。 結果1單因素分析結果顯示,出血性轉化組高血壓、糖尿病、房顫、腦梗死病史、抗血小板藥物史、大面積腦梗死、腦白質疏松、早期CT低密度影、溶栓治療和抗凝治療患者比例及其NIHSS評分、白細胞和PT-INR水平顯著高于非出血性轉化組,白蛋白和甘油三酯水平顯著低于非出血性轉化組。2多因素分析顯示,高血壓、糖尿病、房顫、腦梗死病史、NIHSS評分、大面積腦梗死、溶栓治療以及白細胞為出血性轉化的危險因素,抗血小板治療和甘油三酯為出血性轉化的保護因素。3對314例訓練集樣本與146例測試集樣本進行預測,Logistic回歸模型的準確率分別為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神經網絡模型的準確率分別為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決策樹模型的準確率分別為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決策樹模型的準確率分別為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決策樹模型的準確率分別為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在訓練集中,C5.0決策樹模型AUC顯著高于其他四種模型;在測試集中,C5.0決策樹模型AUC顯著高于QUEST決策樹模型、CART決策樹模型以及Logistic回歸模型,與RBF神經網絡模型間AUC比較無顯著差異。因此,C5.0決策樹模型預測性能優(yōu)于Logistic回歸模型、神經網絡模型以及CART、QUEST決策樹模型,為最優(yōu)風險預測模型。5C5.0決策樹模型一共生成14條決策路徑,決策因素為NIHSS評分、PT-INR、甘油三酯、腦梗病史和抗血小板治療等,其中NIHSS評分為最重要的決策因素。結論1高血壓、糖尿病、房顫、腦梗死病史、NIHSS評分、大面積腦梗死、溶栓治療以及白細胞為出血性轉化的危險因素,抗血小板治療和甘油三酯為出血性轉化的保護因素。2 C5.0決策樹模型預測性能優(yōu)于Logistic回歸模型、神經網絡模型以及CART、QUEST決策樹模型,為最優(yōu)風險預測模型。3 C5.0決策樹模型一共生成14條決策路徑,決策因素為NIHSS評分、PT-INR、甘油三酯、腦梗病史和抗血小板治療等,其中NIHSS評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急性缺血性腦卒中患者出血性轉化的二級預防與治療。
【學位授予單位】：華北理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：R743.3
【圖文】：

圖 1 Logistic 回歸模型預測變量重要性排序Fig.1 The importance of predictor variables in Logistic regression model RBF 神經網絡風險預測模型將單因素分析篩選出的 20 個變量輸入 RBF 神經網絡模型，得到一個隱含層數(shù)，隱含層神經元數(shù)為 10 的 BP 神經網絡模型；該模型對 314 例訓練集樣本與例測試集樣本進行預測，準確率分別為 72.6%和 74.7%，平均正確性分別為%和 47.8%；訓練集靈敏度為 87.6%，特異度為 56.9%，約登指數(shù)為 0.45，陽然比為 2.032，陰性似然比為 0.218，Kappa 指數(shù)為 0.448，陽性預測值為%，陰性預測值 81.3%，AUC 為 0.719（95%CI：0.666~0.768）；測試集靈敏 88.4%，特異度為 62.3%，約登指數(shù)為 0.51，陽性似然比為 2.345，陰性似然 0.186，Kappa 指數(shù)為 0.500，陽性預測值為 67.8%，陰性預測值為 85.7%， 為 0.754（95%CI：0.676~0.821）。（見表 9-11）

否 20（12.4） 87（56.7） 107合計 161 153 314表 11 RBF 神經網絡模型測試集樣本的分類結果[n（%）]Table 11 The result of test set in RBF neural network model [n（%）]測試集預測值觀測值合計是 否是 61（88.4） 29（37.7） 90否 8（11.6） 48（62.3） 56合計 69 77 146RBF 神經網絡模型對預測變量進行敏感度分析，影響出血性轉化的變量重要序依次是 NIHSS 評分，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。（見圖 2）

華北理工大學碩士學位論文CART 決策樹模型根據(jù) Gini 系數(shù)進行變量屬性分類，按照信息增益進行預重要性排序，依次為 NIHSS 評分，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，其中最重要的預測變量SS 評分和 PT-INR。（見圖 3）
【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

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

2 耿云平;郭廣春;劉蕾;任悠悠;楊磊;;灌注CT微血管通透性對缺血性腦卒中患者出血性轉化的預測[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化及其預后的危險因素分析[J];中西醫(yī)結合心腦血管病雜志;2015年06期

4 吳立新;;未溶栓腦梗死患者發(fā)生自發(fā)性出血性轉化的危險因素及預后[J];中國老年學雜志;2015年09期

5 Yan-yan SONG;Ying LU;;用于分類與預測的決策樹分析（英文）[J];上海精神醫(yī)學;2015年02期

6 肖春月;;急性腦梗死后出血性轉化45例臨床分析[J];中國臨床醫(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評分及相關腦血管病危險因素預測急性缺血性卒中溶栓后出血性轉化臨床研究[J];中國現(xiàn)代神經疾病雜志;2015年02期

8 帥健;李麗萍;陳業(yè)群;;決策樹模型與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化48例臨床特點分析[J];重慶醫(yī)學;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化[J];中國老年學雜志;2015年01期

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 卑貴光;腦梗塞出血性轉化的MR分型與預后相關性研究[D];中國醫(yī)科大學;2010年

2 李長平;Logistic回歸、決策樹和神經網絡在預測2型糖尿病并發(fā)末梢神經病變中的性能比較[D];中國人民解放軍軍事醫(yī)學科學院;2009年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 王瀟;血管性認知障礙影響因素的決策樹模型研究[D];青島大學;2017年

2 史彬;基于Logistic回歸分析的胃癌前病變風險預測模型的建立及評價[D];中國中醫(yī)科學院;2017年

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

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

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

6 呂遠飛;決策樹在MDS和AA鑒別診斷中的應用[D];華北理工大學;2016年

7 宋健;Logistic回歸模型、神經網絡模型和決策樹模型在肺癌術后心肺并發(fā)癥預測中的比較[D];安徽醫(yī)科大學;2014年

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

9 尹俊雄;腦梗死后自發(fā)性出血性轉化的危險因素及其與預后的相關性研究[D];瀘州醫(yī)學院;2013年

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

本文編號：2838091