本文選題：六分鐘步行距離 + 健康人群　； 參考：《遵義醫(yī)學院》2017年碩士論文

【摘要】：目的:評估成都市年輕“健康”人群的六分鐘步行距離(Six-minute walk distance,6MWD),并且構(gòu)建一個可預測成都市“健康”人群的6MWD的模型,為針對成都市胸外科患者行六分鐘步行試驗(Six-minute walk test,6MWT)提供對照依據(jù),并為進一步研究6MWT在胸外科的臨床意義和應用價值打下基礎。方法:在2016年10月1日-11月30日間,招募390名20-29歲成都市“健康”受試者,在同一天完成2次6MWT,取其中最遠距離作為最終6MWD。記錄受試者的基本信息和既往病史,和受試者完成6MWT前后的心率,血壓、心率恢復時間、有無不適感,并計算受試者測試前后的脈壓、平均動脈壓和測試前后的心率差、脈壓差和平均動脈壓差。使用SPSS 22.0軟件進行統(tǒng)計學分析數(shù)據(jù),計量資料采用均數(shù)±標準差(±S)表示,使用t檢驗做定量資料的單因素分析,χ2檢驗比較有鍛煉習慣的人在各自性別中的所占率有無統(tǒng)計學差異。用Pearson相關分析分析受試者的6MWD和記錄的各項數(shù)據(jù)間的相關性。對300名受試者的數(shù)據(jù)使用多元線性回歸分析尋找6MWD的影響因素并建立6MWD的預測模型。使用該模型計算剩余受試者的預計6MWD,并與實際6MWD比較二者間差異。使用國外預測模型預測本組受試者6MWD,并與實際6MWD比較二者間差異。結(jié)果:390名受試者均完成2次6MWD,排除30名不符合測試要求受試者的結(jié)果,采用360名受試者的結(jié)果納入本次研究。本次研究顯示成都市20-29歲“健康”人群的6MWD是649.1±27.93 m,男性高于女性(分別是672.67±28.8 m和637.24±18.28m,t=11.265,P0.0001),有鍛煉習慣人群高于無鍛煉習慣人群(分別是660.41±31.6m和644.73±25.0m,t=4.111,P0.0001)。對300名受試者的數(shù)據(jù)進行單因素分析結(jié)果顯示:年齡、性別、身高、體重、體重指數(shù)(Body mass index,BMI)、心率變量、心率恢復時間、收縮壓、舒張壓、平均動脈壓、有無鍛煉習慣、測試后心率、測試后收縮壓、測試后舒張壓、測試后脈壓及能量消耗與6WMD呈正相關(P0.05),靜息心率與6MWD呈負相關(P0.05)。有鍛煉習慣的男性比女性多(二者占各自性別的百分比為37.6%和24.1%,χ2=5.974,P=0.021)。多因素分析結(jié)果顯示:性別(G)、身高(H)、體重(W)、體重指數(shù)(Body mass index,BMI,B)、心率變量(△HR)及有無鍛煉習慣(E)是6MWD的影響因素。6MWD的預測模型是:6MWD=213.876+8.006G+2.403H-0.511W+1.818B+14.607E+0.338△HR+0.056T,將剩余60名受試者測試結(jié)果帶入該模型計算得預測6MWD與其實際6MWD無統(tǒng)計學差異。國外預測模型預測結(jié)果與實際結(jié)果均有差異(P0.0001)。結(jié)論:1.預測成都市20-29歲“健康”人群6MWD的模型是:6MWD=213.876+8.006G+2.403H-0.511W+1.818B+14.607E+0.338△HR+0.056T;2.本次研究建立的預測模型,可預測成都市20-29歲“健康”人群的6MWD;3.有無鍛煉習慣是決定該年齡段“健康”人群6MWD的主要影響因素。
[Abstract]:Objective: to evaluate the six minute walking distance of six minutes walk distension in Chengdu's young "healthy" population and to construct a 6MWD model for predicting "healthy" population in Chengdu. To provide a control basis for Six-minute walk test 6MWTfor chest surgery patients in Chengdu, and to lay a foundation for further study of the clinical significance and application value of 6MWT in thoracic surgery. Methods: from October 1 to November 30, 2016, 390 healthy subjects aged 20-29 in Chengdu were recruited, and 6MWTs were completed twice on the same day, and the longest distance was taken as the final 6MWD. The basic information and past medical history of the subjects were recorded, and the heart rate, blood pressure, recovery time of heart rate and discomfort before and after 6MWT were recorded. The pulse pressure, mean arterial pressure and heart rate difference before and after the test were calculated. Pulse pressure difference and mean arterial pressure difference. SPSS 22.0 software was used to carry out statistical analysis of the data. The mean 鹵standard deviation (鹵S) was used to measure the data. Using t test as a single factor analysis of quantitative data, 蠂 2 test was used to compare whether there was statistical difference in the percentage of people with exercise habits in their sex. Pearson correlation analysis was used to analyze the correlation between 6MWD and recorded data. The data of 300 subjects were analyzed by multiple linear regression analysis to find the influencing factors of 6MWD and to establish the prediction model of 6MWD. The estimated 6 MWD of the remaining subjects was calculated using this model and the difference was compared with the actual 6MWD. The foreign predictive model was used to predict 6MWD and the difference was compared with the actual 6MWD. Results six MWDs were completed twice by: 390 subjects and 30 subjects who did not meet the test requirements were excluded. The results of 360 subjects were included in this study. This study showed that the 6MWD of the healthy population aged 20-29 in Chengdu was 649.1 鹵27.93 m, which was higher in males than in females (672.67 鹵28.8m and 637.24 鹵18.28m, respectively). The 6MWD of people with exercise habits was higher than that of those without exercise habits (660.41 鹵31.6m and 644.73 鹵25.0mt4.111m, respectively). Univariate analysis showed that age, gender, height, body mass index (BMI), heart rate variable, heart rate recovery time, systolic blood pressure, diastolic blood pressure, mean arterial pressure, exercise habit, Heart rate, systolic blood pressure, diastolic blood pressure, pulse pressure and energy expenditure were positively correlated with 6WMD (P 0.05). Resting heart rate was negatively correlated with 6MWD (P 0.05). There were more males than females with exercise habits (the percentages of them were 37.6% and 24.1% respectively, 蠂 ~ 2 = 5.974%, P < 0.021). The results of multivariate analysis showed that sex, height, weight, body mass, heart rate and exercise habit were the influencing factors of 6MWD. The predictive model of 6MWD was: 1. 818 G 2.403H-0.511W 1.818B 14.607E 0.338 HR 0.056T. the other 60 subjects were selected as follows: 1. 6MWD: 213.876 8.00G 2.403H-0.511W 1.818B 14.607E 0.338 HR 0.056T. the other 60 patients will be treated by the following predictors: 6MWD: 213.876 8.00G 2.403H-0.511W 1.818B 14.607E 0.338 HR 0.056T The test results showed that there was no statistical difference between the predicted 6MWD and the actual 6MWD. The prediction results of foreign prediction models are different from those of actual ones (P 0.0001). Conclusion 1. The prediction model of 6MWD for "healthy" population aged 20-29 in Chengdu is: 1. 813. 876 8. 006G 2.403H-0.511W 1. 818B 0.338 HR 0. 056T0. 2. The prediction model established in this study can predict 6MW DX of healthy population aged 20-29 in Chengdu. Exercise habits are the main determinants of 6MWD in this age group.
【學位授予單位】：遵義醫(yī)學院
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R655

【相似文獻】

相關期刊論文 前10條

1 朱建軍,褚新奇;海軍醫(yī)院住院費用預測模型的建立與應用[J];解放軍醫(yī)院管理雜志;2002年05期

2 許乾雄,肖創(chuàng)普;用灰色預測模型對病毒性肝炎發(fā)病率作預測[J];中國公共衛(wèi)生;1993年02期

3 Schneck M.E. ,Bearse Jr. M.A. ,楊建剛;糖尿病視網(wǎng)膜病變進展的定位預測模型的形成和評估[J];世界核心醫(yī)學期刊文摘.眼科學分冊;2005年04期

4 Spears J.;TerBrugge K.G.;Moosavian M.;M.Tymianski;郭俊;;腦動靜脈畸形手術治療后患者神經(jīng)功能預后的判別預測模型[J];世界核心醫(yī)學期刊文摘(神經(jīng)病學分冊);2006年12期

5 王平根,吳海濤,高志平;醫(yī)院藥品預測模型[J];中國藥學雜志;1999年03期

6 李娟;方慧生;;一種新的基于平均相似性方法的蛋白質(zhì)天然構(gòu)象預測模型質(zhì)量評測方法[J];藥物生物技術;2010年04期

7 李清江;;基于結(jié)核病預測模型的比較研究[J];硅谷;2012年14期

8 朱卉;韓昌斌;李曉武;阮積棟;李國華;;武漢市市區(qū)車禍死亡人數(shù)灰色預測模型及其近期效果評價[J];中國衛(wèi)生統(tǒng)計;1991年01期

9 伍麗萍;王述蓉;陳玉;陳聰;吳佳琦;葉利明;;生物分配膠束液相色譜中β-內(nèi)酰胺類抗生素定量保留-活性關系預測模型的研究[J];中國藥學雜志;2008年07期

10 孔超;劉元鳳;沈續(xù)雷;;灰色預測模型的SAS程序改進[J];中國衛(wèi)生統(tǒng)計;2008年06期

相關會議論文 前10條

1 鄢小彬;肖新平;;基于灰色馬爾可夫模型的煤礦安全預測[A];第九屆中國青年信息與管理學者大會論文集[C];2007年

2 羅榮桂;黃敏鎂;;基于自適應神經(jīng)模糊推理系統(tǒng)的服務業(yè)發(fā)展預測模型[A];Well-off Society Strategies and Systems Engineering--Proceedings of the 13th Annual Conference of System Engineering Society of China[C];2004年

3 王亮;劉豹;徐德民;;預測模型的選擇及其智能化實現(xiàn)[A];科學決策與系統(tǒng)工程——中國系統(tǒng)工程學會第六次年會論文集[C];1990年

4 肖健華;吳今培;;基于支持向量機的預測模型及應用[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

5 李陽旭;鄧輝文;;一種新的企業(yè)市場預測模型及其比較研究[A];2004年中國管理科學學術會議論文集[C];2004年

6 馬志元;;城市區(qū)域經(jīng)濟、人口、能源、環(huán)境綜合系統(tǒng)預測模型及應用[A];中國城市建設與環(huán)境保護實踐——城市建設與環(huán)境保護學術研討會論文集[C];1997年

7 李兆芹;姚克敏;;一種新的疾病發(fā)病率預測模型研究[A];首屆長三角氣象科技論壇論文集[C];2004年

8 李兆芹;姚克敏;;一種新的疾病發(fā)病率預測模型研究[A];首屆長三角科技論壇——氣象科技發(fā)展論壇論文集[C];2004年

9 張曉f^;;全球煤炭產(chǎn)量的灰色預測模型[A];中國現(xiàn)場統(tǒng)計研究會第十三屆學術年會論文集[C];2007年

10 肖會敏;樊為剛;;基于神經(jīng)網(wǎng)絡的糧食產(chǎn)量預測模型[A];04'中國企業(yè)自動化和信息化建設論壇暨中南六省區(qū)自動化學會學術年會專輯[C];2004年

相關重要報紙文章 前10條

1 劉慶;“預測模型”要緩行[N];網(wǎng)絡世界;2006年

2 特約記者 劉京濤;華東化工銷售員工設計價格預測模型見成效[N];中國石油報;2010年

3 南方日報記者 彭琳　實習生 周鵬程;預測世界杯之外 大數(shù)據(jù)還能做什么[N];南方日報;2014年

4 本報記者 張超;預測模型：推算SARS起落潮[N];科技日報;2003年

5 本報記者 段佳;機器“品肉師”替您“嘗鮮”[N];大眾科技報;2010年

6 BMC首席IT技術官 Mahendra Durai　IDC顧問 Eric Hatcher Randy Perry;預測智能：管理復雜基礎架構(gòu)的鎖鑰[N];中國計算機報;2010年

7 張琳 趙偉;巧用Excel構(gòu)建利潤預測模型[N];財會信報;2007年

8 楊宜勇（作者為國家發(fā)改委經(jīng)濟研究所副所長）;發(fā)揮信息化對就業(yè)的“增補效應”[N];第一財經(jīng)日報;2005年

9 本報記者 湯潯芳　實習記者 董文萍;“孵化器”模式：大數(shù)據(jù)的垂直運營樣本[N];21世紀經(jīng)濟報道;2014年

10 本報記者 安豐;深部找礦的探鏡[N];中國國土資源報;2006年

相關博士學位論文 前10條

1 師懿;城市交通規(guī)劃環(huán)評中空氣污染預測模型研究[D];中國地質(zhì)大學;2015年

2 張麗;牦牛肉用品質(zhì)特性及近紅外預測模型和產(chǎn)量等級系統(tǒng)的研究[D];中國農(nóng)業(yè)科學院;2015年

3 王菲;肉牛飼料有效能值預測模型的建立與評價[D];中國農(nóng)業(yè)大學;2016年

4 文江平;農(nóng)村地區(qū)成人2型糖尿病發(fā)生風險相關生物標志物的篩選及預測模型的建立[D];中國人民解放軍醫(yī)學院;2016年

5 白云鵬;華法林穩(wěn)態(tài)劑量預測模型在瓣膜置換術后抗凝治療中的應用[D];天津醫(yī)科大學;2016年

6 孫鵬;風電機組狀態(tài)異常辨識廣義模型與運行風險評估方法研究[D];重慶大學;2016年

7 馬新;基于灰色系統(tǒng)與核方法的油藏動態(tài)預測方法研究[D];西南石油大學;2016年

8 付中濤;基于切削力預測模型的復雜曲面銑削進給速度優(yōu)化研究[D];華中科技大學;2015年

9 周闖;原發(fā)性肝癌術后轉(zhuǎn)移復發(fā)分子預測模型的優(yōu)化整合與臨床轉(zhuǎn)化[D];復旦大學;2012年

10 孫忠林;煤礦安全生產(chǎn)預測模型的研究[D];山東科技大學;2009年

相關碩士學位論文 前10條

1 劉冰;基于神經(jīng)網(wǎng)絡的纖維熱磨過程能耗預測模型的研究[D];東北林業(yè)大學;2015年

2 張念;鐵路軌道幾何不平順趨勢預測的關鍵算法研究[D];西南交通大學;2015年

3 田振偉;城市能源預測模型的研究與應用[D];昆明理工大學;2015年

4 吳迪;基于模糊決策樹算法的安全庫存量預測模型[D];中國地質(zhì)大學(北京);2015年

5 齊雯;采用灰色預測模型改進的HHT算法在故障診斷中的應用[D];華南理工大學;2015年

6 王萍;膀胱癌遺傳分數(shù)的計算及發(fā)病風險預測模型的構(gòu)建[D];復旦大學;2013年

7 石大宏;基于序列的蛋白質(zhì)—核苷酸綁定位點預測研究[D];南京理工大學;2015年

8 熊盛華;基于BP神經(jīng)網(wǎng)絡的混合預測模型的實例研究[D];蘭州大學;2015年

9 趙Z，

本文編號：1818516