应用分类树模型构建缺血性脑卒中发病风险的预测模型_刘建平
疾病风险预测模型的构建及应用研究
疾病风险预测模型的构建及应用研究随着医学科技的不断发展，人们越来越重视自己的健康，而对于一些慢性疾病的预防和治疗，疾病风险预测模型成为了一种备受关注的工具。
通过对大量数据进行收集和分析，疾病风险预测模型可以帮助医生和患者更准确地诊断和治疗慢性疾病，从而提高治疗效果并减少医疗资源的浪费。
一、疾病风险预测模型的构建疾病风险预测模型的构建离不开数据的支持。
一方面要有大量的患者个体数据，另一方面要有全面且具有代表性的基础数据。
需要将这些数据进行处理和整理，从中抽取出对于疾病发生风险的关键因素和特征，以此建立一个可靠的模型。
在数据处理方面，人工智能技术和机器学习算法的发展为疾病风险预测模型的构建提供了有力支持。
通过对数据的处理和分析，可以将数据分为训练集和测试集，并利用机器学习算法进行训练和优化，以提高模型的准确性和稳定性。
在特征工程方面，需要对于疾病的相关因素进行深入研究和分析。
除了常见的年龄、性别、体重、血压等因素外，还需要考虑环境、生活方式、饮食习惯等因素对于疾病发生的影响。
同时，还需要考虑不同疾病之间的关联，建立一个更加综合的预测模型。
二、疾病风险预测模型的应用疾病风险预测模型在医疗领域中的应用是多方面的。
首先，在诊断和治疗方面，可以通过疾病风险预测模型对患者进行分类，将高风险患者与低风险患者进行区分，制定出更加精准的治疗方案。
同时，预测模型还可以根据患者的生物学特征和环境因素进行个性化的诊疗方案，提高治疗的有效性。
其次，在公共卫生方面，疾病风险预测模型也可以作为一种重要的工具，为政府和医疗机构提供决策支持。
例如，可以通过预测模型来实现针对某些疾病的大规模筛查，进一步提高疾病的预防和治疗效果，减少医疗资源的浪费。
但是，疾病风险预测模型也存在着一些问题。
首先，数据的可靠性和隐私保护需要得到更加严格的控制。
其次，模型需要不断地进行优化和更新，以满足不同群体和时期的需要。
最后，对于疾病的预测和防治还需要进行进一步的研究和探索，将疾病风险预测模型完善起来。
用人工神经网络建立缺血性脑卒中复发的预测模型
【 关键 词】 Ｂ Ｐ神经 网络 Ｌ ｏ ｇ ｉ ｓ ｉ ｔ ｃ回归
预测模 型
近年 来 ， 缺血 性 脑卒 中 复发 的研 究 已经 逐 渐 成 为
医学 界 的热 点 。随着 医疗 技术 的发展 和人 口老 龄化 的
血糖 、 血钾 、 血钠 、 血氯 、 尿酸、 尿素氮、 肌酐 、 血 白蛋 白、
：本课题是徐州市社会发展科 技计 划项 目（ ＸＦ １ ０ Ｃ ０ ６ ３ ） １ ．徐 州医学院公共卫生学院 （ ２ ２ １ ０ ０ ２ ） ２ ．徐卅Ｉ 医学院附属二院
△通信作者 ： 黄水平 ， Ｅ － ｍ ａ ｉ ｌ ： ｈ ｓ ｐ ＠ｘ ｚ ｍ ｃ ． ｅ ｄ ｕ ． ｃ ａ
并 对两个模型进行 比较。结果 应用 Ｂ Ｐ神经 网络 和 ｌ ｏ ｇ ｉ ｓ ｉ ｔ ｃ回归模型建模 ， 对测试集样本 预测 ， Ｂ Ｐ神经 网络和 ｌ ｏ ｇ ｉ ｓ ｉ ｔ ｃ回 归模 型预测正确率分别 为 ８ ４ ． ６ ％和 ８ １ ． ７ ％， Ｒ Ｏ Ｃ 曲线下面积分别 为 ０ ． ７ ８ ７和 ０ ． ７ ２ ９， 说明 Ｂ Ｐ神经网络模型预测 性能优于
采用 自制 问卷 ， 面对 面调 查方 式 收集 资料 ， 主要 包 括： 性别 、 年龄 、 婚 姻状 况 、 文化 程度 、 就 诊 医 院级 别 、 治
疗天数 、 入 院时体温 、 脉搏 、 收缩压 、 舒张压 、 房颤、 颈动
脉 软斑 、 既往史 、 甘 油 三酯 、 总 胆 固醇 、 Ｌ Ｄ Ｌ、 ＨＤ Ｌ、 空 腹
Ｃｈｉ ｎ ｅ ｓ ｅ Ｊ ｏ ｕ ｍａ ｌ ｏ ｆ Ｈｅ ａ ｌ ｔ ｈ Ｓ ｔ ａ ｔ ｉ ｓ ｔ ｉ ｃ ｓ Ｏｃ ｔ ２ ０１ ３． Ｖｏ １ ． ３ ０． Ｎｏ． ５
基于分类树模型对缺血性中风病复发危险因素的研究
基于分类树模型对缺血性中风病复发危险因素的研究目的:本项研究旨在观察缺血性中风病人群的特征,基于分类树模型对该病复发的危险因素进行分析,进一步为缺血性中风病复发的防治提供有力依据,同时为临床数据库的应用以及数据挖掘提供方法学参考。
方法:提取长春中医药大学附属医院中风病慢病防治管理信息协作平台中,2015年1月1日至2016年12月31日期间的缺血性中风病人群数据1661例,以既往史是否有脑梗死将其分为新发组和复发组。
以此为研究对象,分析两组人群的一般信息、家族史、既往史、体征、中医四诊信息及证侯等特征,根据描述性统计检验、Logistic回归、分类树模型综合探讨缺血性中风病复发的危险因素及其影响复发的程度并得出结论。
结果:单因素Logistic回归:两组在性别、年龄、既往高血压病、糖尿病、冠心病史,家族冠心病史,是否素食为主的饮食习惯、是否经常饮酒、腰臀围比(WHR)、证候方面具有统计学差异(p<0.05 or p<0.01)。
多因素Logistic回归:缺血性中风病复发人群区别于首发人群的特征因素主要有:小学及以下教育程度、WHR>0.9、既往高血压病、既往糖尿病、既往冠心病、家族冠心病及证候中的风痰阻络、气虚血瘀、风火上扰、痰热腑实、痰蒙清窍、痰热内闭证型。
分类树:分析结果显示影响复发的重要变量为父亲家族史冠心病、家庭关怀、既往史高血压病、既往史冠心病、既往史糖尿病、腰臀围比值、性别、父亲家族史高血压病、年龄、收入,但在最优树的构造中实际用到的重要变量为家庭关怀、父亲家族史冠心病、腰臀围比值、既往史高血压病、既往史糖尿病、既往史冠心病。
结论:缺血性中风病复发人群在教育程度、腰臀围比、既往史及中医证候方面与新发人群相比有所区别;而家庭关怀、父亲家族冠心病史、腰臀围比值、既往高血压病史、既往糖尿病史、既往冠心病史,是影响缺血性中风病复发程度最高的危险因素。
缺血性脑卒中复发预测模型的构建
中 国康 复理论 与实践 ２ ０ １ ３ 年 ３月第 １ ９ 卷 第 ３期 Ｃ ｈ ｉ ｎ Ｊ Ｒ ｅ ｈ ａ ｂ ｉ ｌ Ｔ ｈ ｅ ｏ ｒ ｙ Ｐ ｒ ａ ｃ ｔ ， Ｍａ ｒ ． ２ ０ １ ３ ， Ｖ ｏ １ ． １ ９ ， Ｎｏ ． ３
ＤＯＩ ： １ ０ ． ３ ９ ６ ９ ￣ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ６ — ９ ７ ７ １ ． ２ ０ １ ３ ． ０ ３ ． ０ ０ ３
Ｋａ ｐ ｌ ａ ｎ － Ｍｅ ｉ ｅ ｒ ｃ ｕ ｒ ｖ ｅ ， ａ ｎ ｄ ｔ ｈ ｅ ｆ ａ ｃ ｔ ｏ ｒ ｓ ａ ｓ ｓ ｏ ｃ ｉ ａ ｔ ｅ ｄ ｗｉ ｔ ｈ ｒ ｅ ｃ ｕ ｒｅ ｎ ｃ ｅ ｗｅ ｒ ｅ ａ ｎ ａ ｌ ｙ ｚ ｅ ｄ ｗｉ ｔ ｈ ｍｏ ｎ ｏ ｖ ａ ｒ ｉ ａ ｎ ｔ ａ ｎ ｄ ｍｕ ｌ ｔ ｉ ｖ ａ ｒ ｉ ａ ｔ ｅ Ｃｏ ｘ ’ Ｓ ｐ ｒ ｏ ｐ ｏ ｒ ｔ ｉ ｏ ｎ ａ ｌ ｈ ａ ｚ ａ ｒ ｄ
Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｏ ｂ ｊ ｅ ｃ ｔ ｉ ｖ ｅ Ｔ ｏ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｔ ｈ ｅ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｍｏ ｄ ｅ ｌ ｆ ｏ ｒ ｉ ｓ ｃ ｈ ｅ ｍ ｉ ｃ ｓ ｔ ｒ ｏ ｋ ｅ ｒ ｅ ｃ ｕ ｒ ｒ ｅ ｎ ｃ ｅ ． Ｍｅ ｔ ｈ ｏ ｄ ｓ Ｃ ｏ ｎ ｓ ｅ ｃ ｕ ｔ ｉ ｖ ｅ ｐ ａ ｔ ｉ ｅ ｎ ｔ ｓ ｗ ｉ ｔ ｈ ｉ ｓ ｃ ｈ 预 测 模 型 的构 建
安雅 臣，王 玉浔 ，张江 ，赵 晓 晶 ，高素玲 ，王艳 ，刘 国荣
Ｉ 摘要ｌ 目的
应用 Ｃ ｏ ｘ比例风险回归模 型构建缺血性脑卒 中复发的预测模型。方法
调 查２ ０ ０ ８ 年１ 月１ 日～ ２ ０ ０ ９ 年１ ２ 月３ １ 日
《2024年NLR、HALP及临床预测模型在急性轻型缺血性卒中后认知障碍中的应用价值》范文
《NLR、HALP及临床预测模型在急性轻型缺血性卒中后认知障碍中的应用价值》篇一一、引言急性轻型缺血性卒中（ALIS）是一种常见的脑血管疾病，其发病后常常伴随着认知障碍的发生。
认知障碍不仅影响患者的生活质量，还可能增加再次卒中的风险。
因此，及时发现和治疗急性轻型缺血性卒中后的认知障碍具有重要意义。
近年来，随着医学技术的进步，NLR（中性粒细胞与淋巴细胞比值）、HALP （血液炎症标志物）以及临床预测模型在急性轻型缺血性卒中后认知障碍的诊断和治疗中发挥了重要作用。
本文将就NLR、HALP及临床预测模型在急性轻型缺血性卒中后认知障碍中的应用价值进行详细探讨。
二、NLR在急性轻型缺血性卒中后认知障碍中的应用NLR是一种简单的血液学指标，通过比较中性粒细胞与淋巴细胞的比值来反映机体的炎症反应程度。
研究表明，急性轻型缺血性卒中后，患者体内常伴有炎症反应，而NLR的升高与认知障碍的发生密切相关。
因此，NLR可以作为预测急性轻型缺血性卒中后认知障碍的指标。
在临床实践中，医生可以通过检测患者的NLR，了解其炎症反应程度，从而及时采取抗炎治疗，降低认知障碍的发生率。
此外，NLR还可以作为评估治疗效果和预后的重要指标，为医生制定个性化的治疗方案提供依据。
三、HALP在急性轻型缺血性卒中后认知障碍中的应用HALP是一类血液炎症标志物，包括C反应蛋白、白细胞介素-6等。
这些标志物的升高与急性轻型缺血性卒中后的炎症反应密切相关。
研究表明，HALP的升高与认知障碍的发生和发展有关，因此，HALP的检测对于评估急性轻型缺血性卒中患者的认知功能具有重要价值。
通过检测HALP，医生可以了解患者的炎症反应程度，从而制定针对性的抗炎治疗方案。
同时，HALP的检测还可以用于评估治疗效果和预测患者的预后，为患者提供更好的医疗服务。
四、临床预测模型在急性轻型缺血性卒中后认知障碍中的应用临床预测模型是一种基于多种因素的综合评估方法，通过收集患者的临床资料、实验室检查、影像学检查等信息，建立预测模型，对患者的认知障碍发生风险进行评估。
临床预测模型的分类
临床预测模型是指利用统计学和机器学习等方法，根据患者的临床特征和相关数据，预测患者的疾病风险、疾病进展、治疗效果等临床结果。
根据模型的建立方法和应用领域的不同，临床预测模型可以分为以下几类：
1. 逻辑回归模型：逻辑回归模型是一种常用的分类模型，用于预测二分类问题，如预测患者是否患有某种疾病。
逻辑回归模型通过将线性回归模型的输出映射到一个概率值，然后根据设定的阈值进行分类。
2. 决策树模型：决策树模型是一种基于树结构的分类模型，通过一系列的判断条件将数据集划分为不同的类别。
决策树模型易于理解和解释，适用于处理具有离散和连续特征的数据。
3. 随机森林模型：随机森林模型是一种集成学习方法，通过组合多个决策树模型来进行分类。
随机森林模型可以减少过拟合的风险，并且能够处理高维数据和缺失数据。
4. 支持向量机模型：支持向量机模型是一种二分类模型，通过在特征空间中找到一个最优的超平面来进行分类。
支持向量机模型具有较强的泛化能力和鲁棒性，适用于处理高维数
据和非线性问题。
5. 神经网络模型：神经网络模型是一种模拟人脑神经元网络的模型，通过多层神经元的连接和激活函数的作用，实现对复杂数据的分类和预测。
神经网络模型可以处理大规模的数据和非线性问题，但模型的训练和解释相对较为复杂。
除了以上几种常见的临床预测模型，还有许多其他的模型，如朴素贝叶斯模型、K近邻模型、梯度提升模型等，每种模型都有其适用的场景和特点。
在实际应用中，选择合适的预测模型需要考虑数据的特征、样本量、模型的解释性和预测性能等因素。
脑卒中风险因素的个体化预测模型
脑卒中风险因素的个体化预测模型脑卒中是一种常见且具有严重后果的疾病，给患者和家庭带来了巨大的负担。
随着人口老龄化和生活方式改变的影响，脑卒中的发病率正在不断上升。
为了减少脑卒中的发生和提供更加精确的预测信息，研究人员致力于开发个体化风险预测模型。
本文将介绍脑卒中风险因素个体化预测模型的相关内容。
一、什么是个体化预测模型个体化预测模型是基于大规模流行病学数据和机器学习算法构建而成，可以根据每个患者的特定情况进行风险评估和预测。
与传统的群体风险评估相比，个体化预测模型能够更好地识别出高风险个体，并为他们提供定制化的干预措施。
二、脑卒中风险因素1. 常见非可逆性因素高血压、糖尿病、吸烟、高血脂和心房颤动等因素是脑卒中的主要风险因素。
这些因素会导致动脉粥样硬化和血栓形成，从而增加患者发生脑卒中的风险。
2. 可干预的因素除了非可逆性因素外，还有一些可干预的因素可以减少脑卒中的发病风险。
例如，改善饮食结构、增加体育锻炼、控制体重、限制饮酒以及合理处理压力都能有效降低患者脑卒中的患病率。
三、个体化预测模型的构建个体化预测模型的构建分为两个主要步骤：特征选择和模型训练。
1. 特征选择特征选择是指从大量可能影响脑卒中发生的相关变量中筛选出最具预测能力的变量。
基于统计学方法和机器学习算法，研究人员可以分析大规模数据集，确定与脑卒中相关联的关键特征。
2. 模型训练模型训练是将所选特征输入机器学习算法进行迭代训练，构建个体化脑卒中风险预测模型。
常用的机器学习算法包括逻辑回归、支持向量机和人工神经网络等。
这些算法能够通过对大规模数据的学习和模式识别，提高预测模型的准确性和泛化能力。
四、个体化预测模型的应用个体化脑卒中风险预测模型可以广泛应用于临床实践和公共卫生领域。
1. 临床实践在临床实践中，医生可以通过输入患者相关特征信息，使用个体化预测模型来评估患者发生脑卒中的风险。
根据患者的具体情况，医生可以采取相应的干预措施，如调整药物治疗方案或制定健康管理计划等。
缺血性脑卒中患者神经功能预后不良的风险预测Nomogram模型构建研究
缺血性脑卒中患者神经功能预后不良的风险预测Nomogram模型构建研究王丽红;常加森;罗振【期刊名称】《医学理论与实践》【年(卷),期】2024(37)11【摘要】目的:探究缺血性脑卒中患者神经功能预后不良的风险因素并构建其风险预测Nomogram模型。
方法:回顾性分析2021年1月—2023年1月本单位收治的477例缺血性脑卒中患者的临床资料,随机分为训练集(n=318)和验证集(n=159),比较训练集与验证集一般资料。
随访90d,将训练集患者根据是否发生神经功能预后不良分为预后不良组和预后良好组,收集并比较两组患者的临床资料。
采用Cox回归分析筛选缺血性脑卒中患者神经功能预后不良的危险因素,R软件(R4.0.3)及rms程序包构建缺血性脑卒中患者神经功能预后不良风险预测Nomogram模型,通过受试者工作特征曲线(ROC)、校正曲线评估模型的预测效能和准确性,决策曲线评估模型的临床收益。
结果:缺血性脑卒中患者神经功能预后不良发生率为19.92%;年龄、合并高血压、合并糖尿病、合并高脂血症、合并冠心病、发病至入院时间、入院美国国立卫生研究院卒中量表(NIHSS)评分、白细胞计数、D-二聚体均是缺血性脑卒中患者神经功能预后不良的危险因素(HR=4.656、4.462、3.914、5.318、5.027、6.498、6.360、4.211、3.445,P<0.05);基于上述危险因素建立缺血性脑卒中患者神经功能预后不良风险预测Nomogram模型,ROC分析结果显示,训练集和验证集预测缺血性脑卒中患者神经功能预后不良的曲线下面积(AUC)分别为0.946、0.885;Hosmer-Lemeshow检验结果显示,训练集和验证集的风险预测值与实际观测值差异无统计学意义(P>0.05),两集的校正曲线均与理想曲线吻合良好;决策曲线分析表明,Nomogram模型训练集和验证集预测缺血性脑卒中患者神经功能预后不良的阈值分别大于0.07、0.03时,提供临床净收益。
缺血性脑卒中复发预测模型的构建及应用
Ｈｏ ｓ ｐ ｉ ｔ ａ ｌ ｆ ｒ ｏ ｍ Ｊ ａ ｎ ｕ ａ ｒ ｙ １ ， ２ ０ ０ ８ ｔ ｏ Ｄｅ ｃ ｅ ｍｂ ｅ ｒ ３ １ ， ２ ０ ０ ９ ． Ｋ ａ ｐ ｌ ａ ｎ ． Ｍｅ ｉ ｅ ｒ ｍｅ ｔ ｈ ｏ ｄ ｓ ｗ ｅ ｒ ｅ ｕ ｓ ｅ ｄ ｆ ｏ ｒ ｒ ｅ ｃ ｕ ｒｅ ｎ ｃ ｅ ｒ ａ ｔ ｅ
【 Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ 】 Ｏｂ ｊ ｅ ｃ ｉ ｔ ｖ ｅ Ｔ ｏ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ａ ｎ ｄ ａ ｐ ｐ ｌ ｙ ｔ ｈ ｅ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｍ ｏ ｄ ｅ ｌ ｏ ｆ ｒ ｅ ｃ ｕ ｒ ｒ ｅ ｎ ｔ ｉ ｓ ｃ ｈ ｅ ｍｉ ｃ ｓ ｔ ｒ ｏ ｋ ｅ ．Ｍｅ ｔ ｈ ｏ ｄ ｓ
摘 要 目的 ： 应用 Ｃ ｏ ｘ比例风险 回归模型 构建缺血 性脑卒 中复发的预 测模型 。 并进行 个体预 测。方 法： 收集 ２ ０ ０ ８ 年 １月 １日至 ２ ０ ０ ９年 １ ２月 ３ １日河北联合 大学 附属 医院神 经 内科确诊 的初发缺血 性脑卒 中患者 为模型构 建对 象， ２ ０ １ ０年 ６月 ３ ０日完成 随访工作 。Ｋ ａ ｐ ｌ ａ ｎ — Ｍｅ ｉ ｅ ｒ 法计算复发 率 ， Ｃ ｏ ｘ回归模 型对影响复发 的危险 因素进 行单 因素和 多 因素分析 ． 建 立复发 模型及 个体预后 指数 。结果 ： 随访 结束共有 ７ ９例患者复发 ． １年复发率 为 １ ３ ． ４ ％。Ｃ ｏ ｘ回归模型分析 显示 ： 年龄、 高血压 史、 家族卒 中史 、 总胆 固醇、 Ｅ Ｓ Ｒ Ｓ评 分、 病情 进展 是 影响 患者复发 的独立 因素 。据此 建立 了复发模型及 个体预后 指数 方程 。应 用 Ｒ Ｏ Ｃ曲线分析 的方 法得 出
决策树算法在脑卒中危险分级预测中的应用
决策树算法在脑卒中危险分级预测中的应用脑卒中（Cerebrovascular Accident, CVA）是指由于脑部血管疾病所致的脑组织缺血、缺氧或出血，并导致一系列神经功能异常的疾病。
脑卒中危险分级是指根据患者的相关特征和风险因素对其进行风险评估，并确定其脑卒中风险等级。
决策树算法是一种非常常用和有效的机器学习算法，适用于各种分类和回归问题，包括脑卒中危险分级预测。
在脑卒中危险分级预测中，决策树算法的应用具有以下优势：1.简单直观：决策树算法以树形结构展现分类规则，易于理解和解释。
决策树模型可以清晰展示不同特征的权重和影响因素，帮助医生和研究人员快速了解脑卒中的危险因素。
2.特征选择：决策树算法可以根据特征的重要性自动选择最优切分点，从而实现特征的自动选取和降维。
对于脑卒中危险分级预测来说，决策树可以帮助找到对预测结果具有较大影响的特征，并提供有针对性的建议。
3.高效性：决策树算法具有高度并行化的特点，可以同时处理多个特征和大量数据，从而在脑卒中危险分级预测中提供高效的计算能力。
此外，决策树算法的时间复杂度较低，训练速度快，适用于实时预测和决策。
4.鲁棒性：决策树算法对于数据集中的异常值和缺失值具有较强的鲁棒性。
在脑卒中危险分级预测过程中，可以直接处理不完整或含有噪声的数据，而不需要进行额外的数据处理或特征工程。
1.数据预处理：收集和整理脑卒中患者的临床和生理数据，包括性别、年龄、血压、血糖、血脂等指标，并进行缺失值填充、数据归一化和特征选择等处理。
2.构建决策树模型：将预处理后的数据集划分为训练集和测试集，利用训练集数据构建决策树模型。
决策树的构建过程包括选择最优切分点、确定树的深度和形状，并使用递归的方法生成决策树。
3.模型评估和优化：使用测试集数据评估决策树模型的预测准确性和泛化能力，并进行模型的优化和调参。
常用的评估指标包括准确率、召回率、F1值等。
4.模型应用：将优化后的决策树模型应用于脑卒中患者的危险分级预测，并给出相应的预测结果和风险评估，为医生和患者提供决策依据和个性化治疗方案。
脑卒中发病概率预测模型评价研究
脑卒中发病概率预测模型评价研究吕鸿杰【期刊名称】《神经损伤与功能重建》【年(卷),期】2011(006)003【摘要】目的:建立脑卒中发病概率预测模型并对模型预测效果进行评价.方法:回顾性分析152例脑卒中病例资料,采用Logistic回归分析研究影响脑卒中发病的危险因素,建立发病概率预测模型并利用ROC曲线进行评价.结果:影响脑卒中发病的危险因素包括年龄、高血压、糖尿病、高密度脂蛋白、低密度脂蛋白等,ROC曲线下面积为0.884,模型具有较好的预测价值.结论:Logistic回归预测概率模型评价效果较好,能较为准确地预测脑卒中发病概率.%Objective:To establish and evaluate a predictive model of incidence probability of stroke. Methods:The clinical data of 152 cases of stroke were retrospectivly analyzed. The risk factors of stroke were studied by logistic Regression method and the efficiency of this model was evaluated with ROC method. Results:The main risk factors of stroke patients include age, hypertension, diabetes mellitus, HDL and LDL. The area of ROC curve was 0. 884, suggesting that the predictive value was satisfactory. Conclusion: The useful predictive model by Logistic Regression which can be used to predict the incidence of stroke have been established.【总页数】3页(P196-198)【作者】吕鸿杰【作者单位】温州市瓯海区第三人民医院急诊科,浙江,温州,325005【正文语种】中文【中图分类】R741;R741.04【相关文献】1.脑卒中发病率与气象因素的关系及预测模型 [J], 杨梅2.缺血性脑卒中发病风险的MARS预测模型构建与评价 [J], 张静若; 姚琼; 王志坚; 罗开涛; 张玥3.基于MnSOD9Ala16Val基因多态性的缺血性脑卒中发病风险预测模型的构建研究 [J], 谭强;廖科;彭张辉;陈捷;官念;匡静;谌伦菊;刘万平4.缺血性脑卒中患者合并脑微出血发病风险的列线图预测模型的建立 [J], 周波;易明亮5.基于模糊线性回归的脑卒中发病率预测模型 [J], 刘建清因版权原因，仅展示原文概要，查看原文内容请购买。
列线图可预测首发缺血性脑卒中患者的复发
列线图可预测首发缺血性脑卒中患者的复发刘瑾;杨燕玲;严可;朱彩蓉;蒋敏【期刊名称】《南方医科大学学报》【年(卷),期】2022(42)1【摘要】目的探索影响首发缺血性脑卒中幸存者复发的危险因素,建立复发预测模型并使用列线图将预测结果可视化。
方法收集2010年1月~2018年12月入住四川大学华西医院神经内科且符合纳入标准的首发缺血性脑卒中幸存者,共821例幸存者纳入研究,利用R软件对初始人群进行随机抽样,70%纳入训练集建立模型,30%纳入验证集。
应用Cox比例风险回归模型对影响首发缺血性脑卒中幸存者复发的因素进行多因素分析,并使用R软件的rms包构造列线图,建立可视化的预测模型。
利用Cindex和校准曲线来评价模型的预测效果。
结果 821例幸存者中,患者3年复发率为16.81%,5年复发率为19.98%;训练集经Cox回归模型多因素分析,年龄>65岁(HR=2.596,P=0.024)、年龄45~64岁(HR=2.510,P=0.006)、mRS评分≥3分(HR=2.284,P=0.004)、冠心病史(HR=1.353,P=0.034)是影响复发的危险因素;并由此建立列线图,3年(5年)复发预测模型的C-index为0.640(0.671)。
结论首发缺血性脑卒中幸存者复发的影响因素是年龄、mRS评分和周围血管病史,列线图在首发缺血性脑卒中复发预测中有较高的区分度和预测力。
【总页数】7页(P130-136)【作者】刘瑾;杨燕玲;严可;朱彩蓉;蒋敏【作者单位】四川大学华西公共卫生学院流行病与卫生统计学系【正文语种】中文【中图分类】R74【相关文献】1.基于随机森林算法对首发缺血性脑卒中患者出院90d复发的预测作用评价2.非瓣膜性心房颤动患者发生缺血性脑卒中风险列线图预测模型的构建和评价3.缺血性脑卒中患者合并脑微出血发病风险的列线图预测模型的建立4.列线图预测模型评估急性缺血性脑卒中患者1年预后不良的风险5.个体化预测老年急性缺血性脑卒中后发生抑郁的风险列线图模型的建立因版权原因，仅展示原文概要，查看原文内容请购买。
缺血性脑卒中患者合并脑微出血发病风险的列线图预测模型的建立
有统计学意义.
２ 结 果
２．
１ 单 因 素 分 析 CMB 的 发 生 与 吸 烟、饮 酒、糖 尿
病、高血压、
LA、
LDL、
ApoA 相关,差异有统计学意义
(
)
.见表
.
P ＜０．
０５
１
表 １ 单因素分析[
n(％ )]
CMB 组
非 CMB 组
９８(
５８．
３３)
７０(
４１．
６７)
sp
i
t
a
lf
r
om Ma
r
ch２０１８t
o Ma
r
ch２０２０we
r
ed
i
v
i
dedi
n
t
oCMBg
r
oup
(
)
(
a
c
c
o
rd
i
ngt
ot
her
e
su
l
t
so
fSus
c
ep
t
ib
i
l
i
t
Ｇwe
i
t
edimag
i
ng n＝１６８c
a
s
e
s andnon
ＧCMB g
r
oup n＝１０６c
a
Ｇ
y
gh
s
e
血性脑卒中患者 合 并 CMB 的 危 险 因 素,并 建 立 相 应
的列线图预测模型,为临床诊疗提供理论支持.
１ 资料与方法
１．
１ 一般资料 选 取 ２０１８ 年 ３ 月 至 ２０２０ 年 ３ 月 本
《2024年NLR、PLR对发生进展性缺血性脑卒中预测价值的研究》范文
《NLR、PLR对发生进展性缺血性脑卒中预测价值的研究》篇一一、引言进展性缺血性脑卒中（PIIS）是一种严重的脑血管疾病，其发病机制复杂，预后较差。
近年来，随着医学研究的深入，越来越多的指标被用于预测脑卒中的发生和发展。
其中，中性粒细胞与淋巴细胞比值（NLR）和血小板与淋巴细胞比值（PLR）是两种备受关注的炎症指标。
本研究旨在探讨NLR、PLR对发生进展性缺血性脑卒中的预测价值，以期为临床诊断和治疗提供参考依据。
二、研究方法1. 研究对象本研究纳入我院近三年内收治的急性缺血性脑卒中患者，共分为两组：进展性缺血性脑卒中组和非进展性缺血性脑卒中组。
所有患者均接受了全面的实验室检查和影像学检查。
2. 实验室指标检测检测所有患者的血常规、NLR、PLR等指标，并进行统计分析。
3. 数据分析采用SPSS软件进行数据分析，比较两组患者的NLR、PLR 等指标的差异，分析这些指标与PIIS发生和发展的关系。
三、研究结果1. 患者基本情况本研究共纳入XX名患者，其中进展性缺血性脑卒中组XX 例，非进展性缺血性脑卒中组XX例。
两组患者的一般资料差异无统计学意义（P>0.05），具有可比性。
2. NLR、PLR与PIIS的关系（1）NLR与PIIS的关系研究结果显示，进展性缺血性脑卒中组的NLR值显著高于非进展性缺血性脑卒中组（P<0.05）。
经Logistic回归分析，NLR 是PIIS发生的独立危险因素。
（2）PLR与PIIS的关系研究结果显示，进展性缺血性脑卒中组的PLR值也显著高于非进展性缺血性脑卒中组（P<0.05）。
经Logistic回归分析，PLR 同样为PIIS发生的独立危险因素。
3. NLR、PLR的预测价值以ROC曲线评价NLR、PLR对PIIS的预测价值，结果显示NLR和PLR的AUC值均较高，表明这两种指标对PIIS的发生具有一定的预测价值。
其中，NLR的预测效果略优于PLR。
应用logistic回归模型预测急性缺血性脑卒中发生概率的病例对照研究
应用logistic回归模型预测急性缺血性脑卒中发生概率的病例对照研究王若君;陈建华;张军;黄燕;王永炎【摘要】目的通过分析急性缺血性脑卒中病人发病的影响因素,建立发病概率预测模型,为缺血性脑卒中提供早期防治依据.方法采用病例对照研究方法,进行统计学分析,应用logistic回归分析建立发病概率预测模型并计算ROC曲线(受试者工作特征曲线receiver operating characteristic curve,ROC)进行评价.结果病例组超急性期血清N末端脑钠肽前体(NT-proBNP)、星形胶质细胞特异性蛋白(S100B)、超敏C反应蛋白(Hs-CRP)、溶血磷脂酸(LPA)的水平均高于对照组,金属基质蛋白酶-9(MMP-9)与对照组比较差异无统计学意义;眼底动脉硬化(AS)、LPA通过筛选进入logistic回归模型,计算ROC曲线下面积达0.9761.结论 NT-proBNP、S100B、Hs-CRP、LPA均可较好地预测急性缺血性脑卒中的发生,LPA和AS的lo-gistic回归模型能较为准确地预测缺血性脑卒中的发病概率.%Objective To analyze the influencing factors of ischemic stroke, and establish the prediction model of morbidity, so that can provide evidence for ischemic stroke prevention before disease onset. Methods A case-control study was adopted for statistical analysis. Then the conditional logistic regression method was used to build up predictive model and ROC method was utilized to evaluate predictive effect of this model. Results The main risk factors of ischemic stroke included N-terminal brain natriuretic peptide in hyperacute phase (NT-proBNP), astrocyte specific protein (S100B), high sensitive C re-active protein (Hs-CRP), lysophosphatide acid (LPA) were higher than the control group, while matrix metalloproteinase-9 (MMP-9)had no significant difference. Eyeground arteriosclerosis and LPA were selected into the logistic regression model, and the ROC area under the curve reaches 0.9761. Conclusion NT-proBNP, S100B, Hs-CRP, LPA could predict the morbidity of diseases preferably, and the logistics regression model including variables of LPA and eyeground arteriosclero-sis can predict probability for acute ischemic stroke accurately.【期刊名称】《湖南中医药大学学报》【年(卷),期】2017(037)011【总页数】5页(P1238-1242)【关键词】急性缺血性卒中;logistic回归模型;眼底动脉硬化;溶血磷脂酸【作者】王若君;陈建华;张军;黄燕;王永炎【作者单位】暨南大学中医学院中医临床基础教研室,广东广州 510632;川北医学院药学院药理教研室,四川南充 637000;暨南大学中医学院中医临床基础教研室,广东广州 510632;广州中医药大学第二临床医学院,广东广州 510120;中国中医科学院,北京 100700【正文语种】中文【中图分类】R743.3卒中为世界三大死亡病因之一，中国的卒中年死亡数几乎相当于全部发达国家的卒中死亡数之和。
《2024年脑卒中康复期患者发生跌倒恐惧风险可视化预测模型的构建与验证》范文
《脑卒中康复期患者发生跌倒恐惧风险可视化预测模型的构建与验证》篇一摘要本文主要介绍了一个用于脑卒中康复期患者跌倒恐惧风险可视化预测模型的构建和验证过程。
通过分析历史数据和设计先进算法，我们成功创建了一个具有高度预测精度的模型。
本文详细描述了该模型的构建步骤、实验方法和结果验证，旨在为临床医生提供更准确的跌倒风险评估工具，以帮助改善患者的康复效果和安全性。
一、引言脑卒中是一种常见的神经系统疾病，康复期患者常常面临跌倒的风险。
跌倒恐惧是影响患者康复进程的重要因素之一，因此，准确预测和评估患者的跌倒恐惧风险对于制定个性化的康复计划和提高患者安全至关重要。
然而，现有的风险评估工具往往存在主观性和缺乏实时反馈的问题。
因此，本研究旨在构建一个基于可视化的预测模型，以提高脑卒中康复期患者的跌倒恐惧风险预测准确性。
二、模型构建1. 数据收集与预处理我们收集了大量脑卒中康复期患者的历史数据，包括患者的基本信息、病史、康复进程、跌倒记录等。
通过数据清洗和预处理，我们筛选出与跌倒恐惧风险相关的特征变量。
2. 算法选择与模型构建基于机器学习算法，我们选择了适合的算法进行模型构建。
通过训练数据集的反复训练和调参，我们确定了最佳的模型参数。
此外，我们还采用了可视化技术，将模型预测结果以直观的图表形式呈现给临床医生。
三、模型验证1. 交叉验证为了验证模型的稳定性和泛化能力，我们采用了交叉验证的方法。
通过将数据集划分为训练集和测试集，我们反复进行模型训练和预测，并计算模型的准确率、召回率等指标。
结果表明，我们的模型具有较高的预测精度。
2. 临床验证我们还邀请了多位临床医生对模型进行临床验证。
医生们根据患者的实际情况对模型的预测结果进行评估，并提供了宝贵的反馈意见。
根据医生的反馈，我们对模型进行了进一步的优化和调整。
四、实验结果1. 预测精度通过对比模型预测结果与实际跌倒事件的发生情况，我们发现我们的模型具有较高的预测精度。
具体而言，模型的准确率达到了XX%，召回率达到了XX%。
《2024年MHR、NPAR、SII对进展性缺血性脑卒中发生预测价值的研究》范文
《MHR、NPAR、SII对进展性缺血性脑卒中发生预测价值的研究》篇一一、引言进展性缺血性脑卒中是一种常见的神经系统疾病，其发病机制复杂，病程进展迅速，给患者带来极大的健康风险。
因此，准确预测其发生对于制定有效的治疗方案和改善患者预后具有重要意义。
近年来，随着医学研究的深入，MHR（Mean Hematocrit Ratio，平均血细胞比容比）、NPAR（Neurological Parameters of Acute Stroke，急性卒中神经学参数）和SII（Systemic Immune-Inflammation Index，全身免疫炎症指数）等指标在缺血性脑卒中的预测和评估中逐渐受到关注。
本文旨在探讨MHR、NPAR、SII 对进展性缺血性脑卒中发生的预测价值，以期为临床诊断和治疗提供参考依据。
二、研究方法本研究采用回顾性分析方法，收集了某医院近三年内收治的缺血性脑卒中患者的临床数据。
纳入标准为年龄≥18岁、诊断为缺血性脑卒中、有完整的MHR、NPAR和SII等指标数据。
排除标准为患有其他严重神经系统疾病或恶性肿瘤等影响研究结果的患者。
根据患者病情发展情况，将患者分为进展性缺血性脑卒中组和非进展性组。
采用统计学方法比较两组患者在MHR、NPAR、SII等指标上的差异，并分析这些指标对进展性缺血性脑卒中发生的预测价值。
三、研究结果1. 患者基本情况本研究共纳入200例缺血性脑卒中患者，其中进展性组80例，非进展性组120例。
患者年龄、性别、基础疾病等方面无明显差异。
2. MHR与进展性缺血性脑卒中的关系研究结果显示，进展性组患者的MHR值明显高于非进展性组（P<0.05）。
进一步分析表明，MHR值越高，患者发生进展性缺血性脑卒中的风险越大。
3. NPAR与进展性缺血性脑卒中的关系NPAR指标在进展性组和非进展性组之间也存在显著差异（P<0.05）。
与MHR类似，NPAR值越高，患者发生进展性缺血性脑卒中的风险也越大。
基于深度学习的脑卒中风险预测模型
基于深度学习的脑卒中风险预测模型深度学习是一种人工智能技术，它通过建立多层神经网络来模拟人类大脑的神经元，通过学习数据的特征来完成各种任务。
脑卒中是一种常见的神经系统疾病，全球每年有数百万人死于其并发症，因此开发一种基于深度学习的脑卒中风险预测模型有着非常重要的意义。
首先，需要选定合适的数据集和特征。
脑卒中的发病风险与年龄、性别、血压、血糖、血脂、吸烟、饮酒等因素有关，因此需要从这些方面来收集数据。
在数据集的选择上，应该考虑到数据的来源、数据的质量和数据的样本数量等方面。
其次，需要构建合适的模型。
深度学习模型通常由输入层、隐藏层和输出层组成。
输入层用于接收原始数据，隐藏层用于提取数据的特征，输出层用于输出模型的预测结果。
在构建脑卒中风险预测模型时，可以采用卷积神经网络、长短时记忆网络或者深度神经网络等模型。
在模型训练的过程中，需要对数据进行预处理和清洗，例如去掉异常值、归一化数据、划分训练集和测试集等操作。
训练时可
以采用梯度下降、随机梯度下降等优化算法，通过反向传播来调
整模型参数，以提高模型的准确性。
最后，需要对模型进行评估和优化。
评估模型的指标可以包括
准确率、F1值、ROC曲线等。
如果模型的性能不足，可以通过增
加数据样本数量、调整模型架构、改变超参数等方式来优化模型。
基于深度学习的脑卒中风险预测模型具有很高的准确性和可靠性，可以为医生提供精准的风险评估结果，帮助他们更好地诊断
和治疗患者。
此外，该模型也可以被广泛应用到其他疾病的预测
和诊断中，有着非常广阔的发展前景与应用价值。
脑卒中风险预测模型
脑卒中风险预测模型脑卒中是一种严重的心血管疾病，对患者的身体和生活造成严重影响。
因此，构建一个准确的脑卒中风险预测模型对于提前预防和治疗非常重要。
本文将讨论脑卒中风险预测模型的背景、相关方法和应用。
背景：脑卒中是由于脑部供血不足引起的脑组织损伤，其主要类型包括缺血性脑卒中和出血性脑卒中。
根据世界卫生组织的数据，在全球范围内，每年有超过13万人死于脑卒中。
因此，脑卒中的风险预测模型的研究受到了广泛关注。
相关方法：构建一个准确的脑卒中风险预测模型需要考虑多种因素，包括个体特征、生活方式、家族史、疾病史等。
以下是一些常用的方法和指标：1. 年龄：年龄是脑卒中发生的关键因素之一，随着年龄的增长，脑卒中的风险也会增加。
2. 性别：男性比女性更容易患脑卒中，因此，性别也是一个重要的预测指标。
3. 吸烟和饮酒：吸烟和饮酒是两个常见的脑卒中危险因素，它们可以导致血管狭窄和高血压。
4. 高血压：高血压被认为是脑卒中的主要危险因素之一。
因此，监测血压的变化对于预测脑卒中风险非常重要。
5. 糖尿病：糖尿病会导致血管病变和高血压，从而增加脑卒中的风险。
6. 心脏病和血脂异常：心脏病和血脂异常也是脑卒中的危险因素，这些疾病会导致血管壁损伤和血栓形成。
应用：脑卒中风险预测模型可以用于筛查患者，进行早期干预和治疗。
通过将已知的风险因素与个体的特征进行比较，可以给出一个评估脑卒中风险的概率。
除了个人的风险评估，脑卒中风险预测模型还可以用于制定公共卫生政策。
通过对大量人群的数据分析，可以确定脑卒中的高风险人群，并制定针对性的健康管理措施。
然而，构建一个准确的脑卒中风险预测模型仍然面临一些挑战：1. 数据质量：模型的准确性和可靠性取决于数据的质量。
因此，为了构建和验证模型，需要大量的高质量数据。
2. 特征选择：选择合适的特征对模型的准确性至关重要。
然而，在大量可能相关的因素中进行选择是一项复杂的任务。
3. 模型验证：构建一个模型只是第一步，如何验证模型的准确性和可靠性也是一个重要的问题。
预测重症缺血性脑卒中死亡风险的模型：基于内在可解释性机器学习方法
《中国脑卒中防治报告2019》概要［1］中指出，脑卒中已是我国成人致死、致残的首位病因，严重威胁着公众健康，其中缺血性脑卒中是最常见的卒中类型，占全部脑卒中的60%~80%。
缺血性脑卒中预后较差，患者发病后1年致死/致残率可达33.4%~33.8%［2］。
准确预测缺血性脑卒中患者一年期结局，能尽早识别具有高死亡风险的缺血性脑卒中患者［3］。
此外，通过预测模型探索预后危险因素，指导医生采取适当的治疗措施，可使医疗资源有效利用。
近年来，机器学习（ML ）模型在疾病诊断或预后预测方面表现出良好的性能［4］。
在海量与复杂结构的数据情境下，与传统的统计方法相比，ML 模型可以捕捉到复杂的非线性关系，并在大数据中识别出未知的关联性，从而获得更深层次的洞察力［5］。
由于缺血性脑卒中患者结局涉及复杂的临床指标，存在较强的非线性关联，适合采用机器学习模型进行分析［6］。
尽管ML 方法有很好的预测准确性，但由于缺乏可解释性，因此其表现和应用饱受质疑［7,8］，正如Stinear 等［9］指出，构建具有可操作和可解释性ML 模型对临床应用至关重要。
可解释性被定义为人类能够理解MLAn interpretable machine learning-based prediction model for risk of death for patients with ischemic stroke in intensive care unitLUO Xiao,CHENG Yi,WU Cheng,HE JiaDepartment of Military Health Statistics,Naval Medical University,Shanghai 200433,China摘要：目的构建一种内在可解释性机器学习模型，即可解释提升机模型(EBM)来预测重症缺血性脑卒中患者一年死亡风险。
方法使用2008~2019年MIMIC-IV2.0数据库中符合纳排标准的2369例重症缺血性脑卒中患者资料，将数据集随机分成训练集（80%）和测试集（20%），构建可解释提升机模型评估疾病预后。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
胆固醇（mmol/L） 空腹血糖（mmol/L） HDL-C（mmol/L） G894T 多态性 A922G 多态性 T786C 多态性
分类变量 ≤5.72=0，>5.72=1 分类变量 ≤6.10=0，>6.10=1 分类变量 >1.04=1，≤1.04=0 GG=1，GT=2，TT=3 AA=1，AG=2，GG=3 TT=1，TC=2，CC=3
交 互 检 测 （chi －square automatic interaction detection， CHAID） 法建立分类树模型及其在缺血性脑卒中危险 因素筛选及发病风险预测中的应用价值。
1 对象与方法 1.1 对象 病例来自 2003 年 9 月至 2006 年 5 月期 间就诊于深圳人民医院和北京大学深圳医院的缺血性 脑卒中患者，纳入本次研究的均为首发病例，共计 309 例。所有病例按中华神经科学会第四届全国脑血管病 学术会议修订的《各类脑血管疾病诊断要点（1995）》作 为诊断标准。排除标准:排除瓣膜性心脏病、房颤、血液 病、肿瘤、脑血管畸形或动脉瘤、自身免疫性疾病等引 起的继发性脑卒中患者。对照来自研究期间社区健康 体检人群，按年龄相差±5 岁、性别和民族相同，且以前 无脑卒中病史的正常人。 1.2 流行病学调查及基因分型 采用自行设计调查 表，对所有对象采用统一的调查问卷和询问方式进行 调查。调查表内容包括：年龄、性别、文化程度、吸烟史、
酶链反应（PCR）技术对内皮性一氧化氮合酶（eNOS）的 的不同类，使之成为卡方显著性。程序根据预先设定的
3 个多态性位点（G894T、A922G、T786C）及类胰岛素生 树状水平数停止[6-7]。当预测变量较多且都是分类变量
长因子受体（IGF－1R）的 3 个多态性位点（rs2229765、 时，CHAID 分类最适宜。与 CART 法基于内部同质性
刘建平 1，程锦泉 1，张仁利 1，耿艺介 1，聂绍发 2
1. 深圳市疾病预防控制中心营养与食品卫生科，518055； 2. 华中科技大学同济医学院公共卫生学院流行病与卫生统计学系
【摘要】 目的 应用分类树模型构建缺血性脑卒中发病风险的预测模型，并评价其应用价值。 方法 采用 1∶1 配 比病例对照研究设计，选择深圳市 2 所综合性医院的 309 名缺血性脑卒中患者为病例组，同时选择按年龄、性别匹配的 健康者作为对照；采用卡方自动交互检测（CHAID）法建立缺血性脑卒中发病风险的预测模型，采用错分概率 Risk 值、索 引图及受试者工作特征曲线（ROC）评价模型的应用价值。 结果 所建立的分类树模型共包括 4 层，共 19 个结点，共筛 检出 6 个解释变量；其中最为重要的预测因素为体育锻炼和高血压病史。模型错分概率 Risk 值为 0.207，利用预测概率绘 制的 ROC 曲线下面积为 0.789，与 0.5 比较，差异有统计学意义（P=0.001），模型拟合的效果较好。结论 分类树模型不仅 能有效地拟合缺血性脑卒中发病风险的预测模型，还可以有效地筛检变量间的交互作用效应。
史、家族病史、血液生化指标、eNOS 基因型和 IGF-IR 作特征曲线（ROC 曲线）下面积对模型效果进行评价。
基因型等变量进行了定义及量化编码，见表 1。
1.4.3 模型参数 拆分及合并的显著性检验水准均定
表 1 主要变量定义及量化编码
变量名称
变量赋值
是否患缺血性脑卒中 病例=1，对照=0
为 0.05，最大的生长深度为 4 层，为充分发掘影响脑卒 中发病的潜在的影响因素，所以，设定母结点和子结点 中的最小样本含量为 40 和 20。
中国慢性病预防与控制 2012 年 6 月第 20 卷第 3 期 Chin J Prev Contr Chron Dis，June 2012，Vol． 20，No． 3
·255·
饮酒史、既往病史、家族史、体育锻炼、饮食、心理因素 程度不断自动生成父节点和子节点，卡方显著性越高，
及一般生化指标等。采用 Taqman-MGB 荧光定量聚合 越先成为预测根结点的变量，程序自动归并预测变量
DOI:10.16386/j.cjpccd.issn.1004-6194.2012.03.045
·254·
中国慢性病预防与控制 2012 年 6 月第 20 卷第 3 期 Chin J Prev Contr Chron Dis，June 2012，Vol． 20，No． 3
【论著】
应用分类树模型构建缺血性脑卒中发病风险的预测模型
影响因素相同，均为高血压病史。在缺乏体育锻炼的人 群中如果同时具有高血压病史会增加缺血性脑卒中发 生的风险，具有高血压病史的个体脑卒中发生概率 （92.5%）明显高于没有高血压病史的人群（64.2%），成 为主要的影响缺血性脑卒中发生的危险因素。而在经
IGF-IR（rs2229765） GG=1，GA=2，AA=3
年龄（岁） 性别
分类变量 <45=1，45～54=2，55～64=3，65～74= 4，>74=5 男=1，女=0
1.4.4 统计学分析 用 SPSS 13.0 分类树（Tree）模块 进行缺血性脑卒中发病风险模型的构建。
体质指数（BMI） 腰臀比（WHR）
分类变量 <25 kg/m2=0，≥25 kg/m2=1 分类变量：男性≤0.9=0，>0.9=1；女性≤0.8=0， >0.8=1
rs951715、rs2593053）进行基因分型。
原理不同，CHAID 法是以列联表卡方计算为基础的运
1.3 分类树分析变量的分级与数量化的方法 在资 算法则，更易被医务工作者理解。
料的统计学处理中，对是否罹患缺血性脑卒中、年龄、 1.4.2 模型的评价 模型提供索引图、错分概率 Risk
性别、体质指数、腰臀比、吸烟、饮酒、饮茶史、既往病 统计量对分类结果进行评价，同时还可采用受试者工
【Abstract】 Objective To introduce classification tree in building the risk model for ischemic stroke, and explore the value of this data mining technique. Methods A 1∶1 age-gender-matched case-control study was conducted. 309 patients with ischemic stroke were selected from two general hospitals in Shenzhen. The controls were selected from the same hospitals. The classification tree model was constructed using Exhaustive CHAID method and evaluated by the Risk statistics, index map and area under the ROC curve. Results The model had four stratum and nineteen nodes. Six explanatory variables were screened out in the model. The most important risk factors were physical exercise and history of hypertension. The risk value of misclassification probability of the model was 0.207, and the area under the ROC curve was 0.789 which was significantly different from 0.5, suggesting that the classification tree model fitted the actuality very well. Conclusion Classification tree model can not only properly predict the occurrences of ischemic stroke, but also reveal the complex interaction effects among the factors.
心血管疾病史
否=0，是=1
在本研究中缺血性脑卒中发病风险影响最大的影响因
心血管病家族史 脑卒中家族史 糖尿病家族史 高血压家族史 甘油三酯（mmol/L）
否=0，是=1 否=0，是=1 否=0，是=1 否=0，是=1 分类变量 ≤1.70=0，>1.70=1
素为体育锻炼，其中，很少体育锻炼的个体缺血性脑卒 中发生概率为 77.6%，明显高于经常参加体育锻炼的 人员（27.0%），成为缺血性脑卒中发病的高危人群。而 在具有不同体育锻炼的人群中筛选出缺血性脑卒中的
【关键词】 缺血性脑卒中；分类树；卡方自动交互检测法 中图分类号：R743.3 文献标志码：A 文章编号：1004-6194（2012）03-0254-05
Study on the Application of Classification Tree Model in Building the Risk Model for Ischemic Stroke LIU Jian-ping, CHENG Jin-quan, ZHANG Ren-li, et al. Shenzhen Center for Disease Control and Prevention, Shenzhen 518055, China Corresponding author: CHENG Jin-quan, E-mail:cjinquan@
基金项目：国家自然科学基金资助项目（30771852）；深圳市科技计划项 目（201102110）