目的:利用人工神經(jīng)網(wǎng)絡方法,對藥物性肝損傷（Drug-induced Liver Injury,DILI）的臨床轉歸建立人工神經(jīng)網(wǎng)絡反向傳播（Back Propagation-Artificial Neural Network,BP-ANN）預測模型,了解影響藥物性肝損傷患者臨床轉歸的因素,對其臨床轉歸進行預測,并對相關影響因素進行平均影響值（Mean Impact Value,MIV）重要性評價。以期對影響DILI轉歸的因素增加相關措施,最終改善病患的出院轉歸。方法:（1）針對某三甲醫(yī)院2014年6月1日-2017年6月1日以“藥物性肝損傷”、“藥物性肝病”等由藥物造成肝損害為主要診斷的住院患者,以入院到出院為時間節(jié)點,將符合納入排除標準的病例收集其臨床數(shù)據(jù),建立數(shù)據(jù)庫。（2）采用Logistic單因素回歸分析篩選出有統(tǒng)計學意義的影響因素,將其作為輸入變量,轉歸情況作為輸出變量,構建人工神經(jīng)網(wǎng)絡反向傳播（BP-ANN）模型。從數(shù)據(jù)庫中隨機分出一定量樣本放入訓練集,剩余數(shù)據(jù)放入測試集,用于訓練與測試模型,并通過受試者工作特征曲線下面積（Area Under the Curve,AUC）... 

【文章頁數(shù)】：52 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
英文摘要
常用縮寫詞中英文對照表
前言
1 資料
    1.1 一般資料
    1.2 納入標準
    1.3 排除標準
    1.4 收集項目
    1.5 轉歸情況
2 方法
    2.1 臨床轉歸單因素分析
    2.2 BP-ANN模型的建立
    2.3 BP-ANN模型的預測
    2.4 影響因素重要性分析
3 結果
    3.1 病歷資料基本人口學分析
    3.2 臨床轉歸單因素分析結果
    3.3 BP-ANN模型訓練與測試結果
    3.4 BP-ANN模型預測結果
    3.5 影響因素重要性分析結果
4 討論
5 結論
參考文獻
綜述
    參考文獻
附錄
致謝
在學期間研究成果
個人簡歷



本文編號：3714831