应用人工神经网络预测糖尿病/糖耐量异常

目的 在流行病学调查资料的基础上，探讨学习向量量化(LVQ)网络用于糖尿病(DM)／糖耐量异常(IGT)疾病状态的分类预测的前景。方法 采用LVQ网络和判别分析方法对某矿区糖尿病现况调查资料和某综合性医院的DM病例—对照资料，进行DM／IGT／正常状态的判别比较；同时人为设置变量缺损值。检验LVQ网络对缺失数据的适应性。结果 LVQ网络结构为25→13→3；网络判断DM、IGT的灵敏度分别为70．45％、64．79％，特异度为100．00％。准确度为96．98％，对血糖异常的正确判断率为92．45％。利用逐步判别分析建立的含11个变量的判别方程判断DM、IGT的灵敏度分别为67．05％、60．56％，特异度为89．75％，准确率为87．34％，对血糖异常的正确判断率为85．53％。对来自某综合性医院的DM病例—对照资料进行模型验证发现，LVQ网络预测效果优于判别的分析，网络能识别出全部对照及92．37％的病例。判别准确率为96．19％。LVQ网络对带缺失项样本的误判比例为1／30，判别分析则为7／30。结论 利用LVQ网络进行疾病分类预测，不仅能获得更好的预测效果，而且对资料的类型、分布不作任何限制，也不需要对分析变量做任何处理，还能很好地处理带缺失项的资料，是一种很好的流行病学分类预测新方法。     

人工神经网络应用于糖尿病和糖耐量受损的个体发病预测

目的 探讨人工神经网络（ANN）对糖尿病（DM）和糖耐量受损（IGT）个体发病预测的效果和特点，以及能否作为2型DM血糖辅筛工具。方法 利用某矿区2型DM现况调查资料和某综合性医院的病例．对照资料，采用误差逆传播人工神经网络（BPNN）方法，通过输入年龄、DM家族史、身高、体重、腰围、臀围6个变量进行DM／IGT个体发病预测。结果 DM、IGT训练组BPNN结构分别为6→5→9→1、6→7→12→1，对DM、IGT第二测试组的灵敏度各为100．00％，90．32％，网络输出异常者占总人数的比例各为41．75％，52．35％。利用BPNN辅助筛查，只需对网络判断异常者（约53％）进一步做血糖测定，即可发现原人群中90％以上的2型DM、IGT患者，节约近47％的筛查费用和工作量。结论 ANN利用指标简单、易测量，在2型DM血糖普查中，完全可以充当“前筛”角色，在准确识别血糖异常者的情况下，降低2型DM血糖普查成本，提高效率，为2型DM防治提供了一条全新、经济的思路。     

Bayes判别分析在肾综合征出血热发病预测研究中的应用

目的研究肾综合征出血热（HFRS）发病与气象因素和动物宿主的关系并建立合理的数学预报模型。方法首先选取逐月及逐年的气象指标,包括气压、气温、降雨量、相对湿度、日照时数和日照百分率作为代表因素;然后对HFRS与气象因素和动物宿主间的关系进行Pearson、Kendall及Spearman相关分析,最后利用气象因素和包括鼠密度及鼠带病毒率的动物宿主信息作为解释变量进行Bayes判别分析。结果HFRS年发病疫情与鼠密度关系最为密切（r=0．738,P=0．000）,而影响鼠密度最显著的气象因素是日照时数、日照百分率和降雨量。其中日照时数与鼠密度呈正相关（r=0．494,P=0．016）,而降雨量与鼠密度近似呈负相关（r=-0．350,P=0．101）。利用气象及动物宿主资料预测当年的人间发病强度时,逐步判别分析及全变量判别分析均具有良好的效果。逐步判别分析的组内回代及弃一交叉验证准确率均为82．6％（19／23）,而全变量判别分析的组内回代准确率为90．9％（20／22）,弃-交叉验证准确率为81．8％（18／22）。当预测下一年的发病强度时,逐步判别分析的组内回代及弃一验证正确率均为86．4％（19／22）,而全变量判别分析的组内回代分类正确率为100％（21／21）,弃-交叉验证分类正确率仅为57．1％（12／21）。结论气象因素影响动物繁殖及动物间疫情,进而影响人间的HFRS疟情．Bayes诼彤判别分析在预测HFRS疫情方面具有一定实际应用价值。     

多类逐步判别对湖南乙型脑炎发病率的拟合与预测

目的建立预测乙型脑炎发病率的模型。方法运用电子计算机和Bayes判别分析原理,利用湖南省各地区近10年的月均气温、降雨量、日照时间与相应的地区类型及其发病率资料,进行计量资料多类逐步判别分析。结果模拟出可以预测当年度的发病率数学模型,经数据国代准确率为80．00％。结论提示判别效果理想,可用于湖南各地区乙型脑炎发病率的预测．     

逐步判别对流行性出血热发病率的拟合与预测

运用电子计算机和Ｂａｙｓ判别分析原理,利用湖南省各地区近１０年的月均气温、降雨量、日照时间与相应的１３个地区类型及其发病率资料,进行计量资料多类逐步判别分析,模拟出可以预测下年度的发病率数学模型,经数据回代准确率为８３．０８％。提示判别效果理想,可用...     

逆反馈人工神经网络在社区糖尿病筛查中的应用

[目的]建立一种适合上海市社区居民经济有效的糖尿病人群筛查方法。[方法]在上海市社区人群糖尿病流行病学调查的基础上，选择目标人群进行逆反馈（back．propagation，BP）人工神经网络模型法筛查糖尿病病人。训练组和验证组用于网络模型的建立，网络输入为采用多因素Logistic回归分析筛选出的10个变量，输出变量为是否患有糖尿病。测试组资料用于验证网络模型的实用性和可靠性。[结果]当以网络输出值0．12作为判别的阈值时，该方法对人群糖尿病筛查的灵敏度和特异度分别为67．1％和为79．7％。[结论]BP人工神经网络模型对糖尿病患者具有较强的识别能力，可作为血糖检查的“前筛”工具。     

基于Bayes判别方法的医院财务风险分析

目的:对深圳市10家医院3年的财务数据进行判别分析,为医院的财务风险判别提供科学依据.方法:根据前期研究的成果,在SPSS中采用逐步判别分析法对医院的财务风险水平作进一步分析,筛选出建立模型所需的变量,并建立判别模型.结果:从20个指标中筛选出5个指标,建立的模型自身验证的准确率为100％,交互验证的准确率为95.7％.结论:判别分析模型分类性能良好,误判率很低,是医院财务风险判别的一种有效方法,可以在实际工作中进行推广.     

C5.0决策树法在出生缺陷预测中的应用

目的 介绍决策树法的原理及其在出生缺陷预测中的应用,为出生缺陷研究提供一种新的思路.方法 通过1:2匹配的病例对照研究探讨湖南省前10位出生缺陷发生的影响因素;对单因素logistic回归分析中有统计学意义的变量采用C5.0决策树算法和判别分析构建预测模型.统计分析软件采用Clementine 11.0和SPSS 15.0.结果 决策树分类结果与实际类别的符合率为83.7%,灵敏度为74.1%,特异度为88.6%;判别分类与实际类别的符合率为64.7%,灵敏度为54.0%;特异度为70.3%.C5.0决策树法比判别分析法具有更好的预测效果,其判断准确率高于判别分析.结论 C5.0决策树法构建的出生缺陷预测模型,可获得比传统的判别分析更好的预测效果.通过建立孕妇资料数据库,结合专业知识选取高质量的指标,应用决策树法能够对出生缺陷的发生起到较好的预测作用.     

上海市奉贤区南桥地区糖尿病调查及社区干预

目的 了解南桥地区糖尿病发病情况及人们对糖尿病防治知识的知晓率、保健治疗情况；观察对糖尿病患者、空腹血糖异常者及高危者采取干预措施后的效果。方法 在该地区抽样调查了1343人，并将筛查出的糖尿病患者、空腹血糖异常者和高危者随机分为干预组和对照组，进行对照观察和干预治疗。结果 检出糖尿病患者163例(12．14％)，其中原有糖尿病者97例，占7．22％；新检出66例，占4．9l％；空腹血糖异常者40例，占2．98％；高危者318例，占23．68％。经过一年的干预．干预组的糖尿病防治知识知晓率、血糖控制情况明显优于对照组。结论 南桥地区糖尿病发病率较高，人们对糖尿病防治知识知晓率低，社区干预对糖尿病防治有重要作用。     

SAS软件判别分析在预防疾病中的应用

在医学科研和预防工作中，经常遇到需要根据观测到的资料对研究对象进行分类的问题。如流行病预报，某些病的早期预报，这类问题都是由判别分析来解决。目前各种多变量预防疾病统计分析中应用最广泛的一种，又因判别分析可以分析出各种因素对判别的作用，因而在疾病学研究、各种因素对预后影响的应用至关重要。SAS for Windows提供多种判别分析的编程方法有一般判别；逐步判别；典型判别等。在此介绍两种判别方法。     

应用人工神经网络预测个体血脂异常患病危险度

目的建立个体血脂异常患病危险度的预测模型,探讨并评价预测个体血脂异常的新方法。方法选择8914例社区居民流行病学调查资料,按3∶1分为训练集(6686例)与检验集(2228例),分别用于筛选变量、建立预测模型及对模型的检测和评价。应用人工神经网络(ANN)和logistic回归分别建立血脂异常预测模型,受试者工作曲线(ROC)评价预测模型的优劣。结果 ANN预测模型的特异度(64.79%)较低,但灵敏度(94.86%)、约登指数(59.65%)、一致率(81.23%)均优于logistic回归预测模型(特异度=77.49%、灵敏度=53.51%、约登指数=31.00%、一致率=81.23%);ANN预测模型ROC曲线下面积(Az=0.824±0.009)明显大于logistic回归预测模型(Az=0.655±0.012)(P<0.05)。结论在预测个体血脂异常方面,ANN模型较logistic回归模型具有更好的预测判别效能。     

应用人工神经网络预测个体患原发性高血压病危险度

目的 建立个体患原发性高血压病的预测模型,评价并探讨预测个体患病的新方法.方法 选择3054名社区居民流行病学调查资料,按照年龄、性别均衡性,按4:1分为训练集(2438名)与检验集(616名)两部分,分别用于筛选变量、建立预测模型及对模型的检测和评价.应用人工神经网络(ANN)和logistic回归分析方法建立模型,用ROC方法评价所建立的高血压患病预测模型的优劣.结果 对616名检验集预测,ANN模型的特异性较低,但准确性、灵敏度指标均优于logistic回归模型,ANN2的约登指数为0.8399,明显高于其他两个模型;通过ROC曲线下面积比较模型的预测能力:logistic回归方法曲线下面积(Az=0.732±0.026)小于ANN模型(ANN2和ANN1分别为0.918±0.013、0.900±0.014),即ANN模型有更好的预测判别效能.结论 初步证明在预测个体患高血压病方面,ANN方法预测效能更优,从而为解决个体发病危险预测提供了一个新方法.     

基于数据挖掘技术的肺癌危险度预测模型的构建

目的 借助数据挖掘技术,联合流行病学特征和临床症状资料构建肺癌危险度预测模型,评价各模型用于肺癌危险度预测的性能,并筛选出最优模型。 方法 选取460例肺癌患者和560例肺良性疾病患者为研究对象,收集其流行病学特征和临床症状共16个自变量。将研究对象按照3∶1的比例随机分为训练集与测试集,应用支持向量机(support vector machine,SVM)、决策树C5.0和人工神经网络(artificial neural network,ANN)分别建立肺癌危险度预测模型,并比较不同模型的预测性能。 结果 经特征提取,痰中带血、发热出汗和吸烟史等9个变量被筛选为有效变量,用来构建肺癌危险度预测模型。测试集中SVM、决策树C5.0和ANN模型的灵敏度分别为74.1%、62.5%和92.9%;特异度分别为76.2%、80.4%和64.3%;阳性预测值分别为70.9%、71.4%和67.1%;阴性预测值分别为79.0%、73.2%和92.0%;准确度分别为75.3%、72.5%和76.9%;曲线下面积分别为0.752(95%CI:0.694~0.803)、0.715(95%CI:0.655~0.769)和0.786(95%CI:0.730~0.835)。 结论 ANN预测模型的整体性能优于SVM模型和决策树C5.0模型,在肺癌高危人群的筛查中具有潜在的应用价值。     

神经网络模型在社区糖尿病筛查中的应用

目的探讨神经网络模型在糖尿病筛查中的应用。方法采用上海市闵行区2007年糖尿病流行病学调查资料,建立神经网络模型进行分析。结果当以0.16作为判别阈值时,筛查的灵敏度为71.82%,特异度为63.60%。结论神经网络模型在糖尿病筛查中的应用具有较广的应用前景。     

人工神经网络在医学信号检测与分析中的应用

人工种经网络是在结构上模仿生物神经连接的联结型系统，能够设计来进行模式分析，信号处理等工作，本文结合神经网络在生物医学信号检测及分析处理中的应用，着重从神经网络输入数据的形式，神经网络训练样本的选取，神经网络的学习方式和神经网络用于模式识别等方面介绍其应用情况。     

利用ARIMA和BP神经网络模型分析新疆生产建设兵团乙肝流行特征

目的 通过分析2009－2019年新疆生产建设兵团乙肝发病数据，了解乙肝发病特征及规律。同时构建ARIMA模型和BP神经网络对2020年新疆生产建设兵团乙肝发病率进行预测，选取合适模型为乙肝及时防控调整做参考依据。方法 收集新疆生产建设兵团疾病预防控制中心网站公布的法定传染病月疫情统计数据和中国统计年鉴数据，利用SPSS 20.0进行流行病学统计分析。利用R（forecast包、tseries包）建立ARIMA模型，利用MATLAB构建BP神经网络对新疆生产建设兵团2009年1月－2019年12月的乙肝月发病率进行拟合预测。结果 2009－2019年新疆生产建设兵团乙肝病毒性肝炎年平均发病率为95.76/10万（29 476/3 078.05万，95%CI:94.67～96.86），乙肝发病率处于逐年下降中；各年报告男性发病率均高于女性，男女发病数比为1.676∶1；BP神经网络预测精度指标（MAE，MAPE，RMSE）均优于ARIMA模型。结论 2009－2019年新疆生产建设兵团乙肝发病率趋势逐年下降。BP神经网络是短期预测新疆生产建设兵团乙肝月发病趋势的较为理想的模型。     

炭疽病的诊断及危险度预测智能模型研究

目的建立以临床和流行病学指标为基本分析因子的综合诊断及预测炭疽危害程度的智能预测模型,提高对炭疽病发生的认识和判断能力。方法根据实际疾病案例资料,分析临床症状、实验室检测指标、流行病学特征等因素。选入明显影响炭疽诊断和流行强度的指标,并将其作为神经元单位。利用Matlab 6．1软件中的神经网络工具箱训练、调整和建立智能化分析系统。结果多因素相关分析显示,疾病潜伏期、胸部X线检验结果、镜检结果、职业特征等11项指标与炭疽病的诊断和流行强度有关;神经网络经500步学习和训练,训练误差从6．669 59下降至5．05119×10-11,通过建立的智能神经网络模型对炭疽和非炭疽实际案例进行诊断和预测分析,其平均符合率达到100％。结论人工神经网络在疾病综合特征与炭疽诊断和危害度预测之间建模是可行的,所训练的智能模型预测平均符合率达100％,有很好的实际应用价值。     

RBF神经网络与logistic回归模型的对比研究

目的 RBF神经网络是一种重要的数据挖掘分类模型,探讨RBF神经网络在解决判别分析问题中的应用.方法 通过实例比较RBF神经网络和logistic回归模型的性能优劣.结果 RBF神经网络的回代拟合效果和泛化能力明显优于logistic回归模型.结论RBF神经网络在医学统计学领域中具有较好的应用前景.     

血清蛋白质谱结合人工神经网络在宫颈癌诊断中的应用

目的:采用蛋白质芯片表面增强激光解吸电离飞行时间质谱(SELDI-TOF-MS)技术检测宫颈癌病人血清蛋白指纹图谱,通过差异蛋白组学筛选特有的蛋白标记物。方法:应用SELDI-TOF-MS技术和WCX2(弱阳离子)芯片采集58例宫颈癌患者和57例健康人血清蛋白质指纹图谱,采用Biomarker Wizard软件筛选差异蛋白质组。将115例血清随机分为两组:以训练组30例宫颈癌患者和30例健康人建立人工神经网络(ANN)模型,以验证组28例宫颈癌患者和27例健康人血清标本用于模型的双盲法验证。结果:宫颈癌患者与对照组血清蛋白质指纹图谱有145个差异表达的蛋白质峰(P0.05),筛选出质荷比(M/Z)分别为5912、5642、8702、4320、6432的标志蛋白(P10-6),建立人工神经网络模型,其对宫颈癌的诊断敏感性为92.86%,特异性为88.89%,阳性预测值为89.66%,阴性预测值为92.31%。结论:特征蛋白在宫颈癌患者较正常人血清明显的高表达或低表达,可能对宫颈癌的早期诊断和治疗后随访具有重要的指导意义。