晚期原发性肝癌预后分析决策树初步研究

对57例平均随访36.86(6～142)天的晚期原发性肝癌患者,以生存时间是否超过4周为界,分为预后较好(n=30)及差(n=27)两组.用Cox回归分析建立了两个回归方程:y1=0.415·营养 0.5299·RBC-0.8351·A/G;y_2=1.791血清白蛋白-1.489·年龄 0.9957·Hb.进而联合决策树理论,建立了一种预后分析方法.其判断正确率达77.19%(44/57),且优于Child、改良Child分类及肝功能不全分类等传统方法,又易于掌握应用.     

三种方案治疗小儿肺炎的药物经济学研究

目的：比较三种方案治疗小儿细菌性肺炎的效率（即费用－效果）。方法：2001年－2002年采用前瞻性随性临床试验A组50例，B组50例，C组50例作为分析模型，以深圳市二级甲等医院收费为标准，采用决策树的分析方法，进行费用一效果分析。结果：每治疗1例有效病人，A、B、C三组方案的期望成本分别为4707．45元，3052．51元，结论：同时考虑临床疗效及医疗费用，C组有最好的费用－效果，值得临床推广应用。     

中药药性量化方法对补虚药功效归类预测的研究

目的对中药药性依其重要性进行更深层次的多值量化分析,将比定性的文字表述和简单的二值量化表示更有意义.方法以补虚药为研究对象,药性为基本特征,在对其进行二值量化和多值量化的基础上,采用应用人工神经网络和决策树等数据库知识发现技术,进行对补虚药功效归类判别结果的影响研究.结论结果表明药性的不同量化方法对补虚药的功效归类预测有一定影响,多值量化比二值量化具有更为理想的判别结果.     

脑卒中肺部感染危险因素及血清免疫炎性因子的预测价值

目的基于主成分分析(PCA)-决策树模型分析脑卒中肺部感染的危险因素及血清免疫炎性因子的预测价值。方法回顾性分析2014年12月-2019年12月江西省上饶市人民医院确诊的176例脑卒中患者,根据是否发生肺部感染,分为感染组40例和未感染组136例。记录患者临床特征,检测血白细胞(WBC)计数、血清C-反应蛋白(CRP)、降钙素原(PCT)和可溶性白细胞介素-2受体(SIL-2R)水平。采用Logistic回归和卡方自动交叉检验(CHAID)模型分析影响脑卒中后肺部感染的危险因素;受试者工作特征曲线(ROC)分析血WBC、CRP、PCT、SIL-2R预测肺部感染的价值。结果脑卒中肺部感染与患者年龄、卒中类型、是否合并糖尿病、吸烟史、吞咽困难、意识障碍、侵入性操作有关(P<0.05);感染组患者血WBC、CRP、PCT和SIL-2R水平高于未感染组(P<0.05);糖尿病、侵入性操作、CRP和PCT均为影响脑卒中患者肺部感染的独立危险因素(P<0.05);PCA-ROC分析显示,血WBC、CRP、PCT、SIL-2R和联合预测主成分1(PC1)的曲线下面积(AUC)分别为0.670、0.816、0.854、0.686、0.918;PCA-卡方自动交互检测(CHAID)模型分析显示,WBC、CRP、PCT、SIL-2R和PC1预测肺部感染的准确率为77.33%、84.72%、86.90%、79.02%和89.24%。结论血清PCT水平可用于预测脑卒中患者肺部感染的发生,临床可重点关注合并糖尿病、意识障碍和侵入性操作的患者。     

基于数据挖掘的低增生性骨髓增生异常综合征与再生障碍性贫血分类模型研究

目的 构建低增生性骨髓增生异常综合征（hypo-MDS）与再生障碍性贫血（AA）鉴别诊断的决策树、贝叶斯、卷积神经网络、改进的支持向量机四种模型并选择出最优模型。方法 收集2010—2019年华北理工大学附属医院的AA与hypo-MDS患者的病例资料,使用统计学方法筛选指标,将处理后的样本以4[DK]∶1随机分为训练集和测试集,构建决策树、贝叶斯、卷积神经网络、改进的支持向量机四种模型,采用五折交叉验证法多次重复验证,通过灵敏度、AUC等指标评价鉴别诊断效果。结果 hypo-MDS患者红细胞、血红蛋白含量等指标低于AA患者,成熟单核细胞比例等指标高于AA患者,年龄和职业分布也存在差异(P＜0.05）;最终选出21个特异性指标。四种模型的分类效果比较:灵敏度分别为82.56%、65.12%、87.21%、79.07%;AUC分别为0.81、0.68、0.82、0.83;准确率分别为75.32%、69.48%、77.27%、74.03%。对卷积神经网络的误判病例分析得出年龄、血成熟淋巴细胞等7个指标均存在差异（P＜0.05）。结论 在决策树、贝叶斯、卷积神经网络、改进的支持向量机四种诊断模型中,卷积神经网络具有最佳分类效果。     

基于数据挖掘的缺血性脑卒中患病风险预测

目的探究缺血性脑卒中患病危险因素,构建患病风险预测模型,为脑卒中的提前筛查与干预提供科学的方法。方法筛选缺血性脑卒中患病相关变量,采用决策树和Logistic回归方法构建风险预测模型,并进行模型评估。结果决策树模型受试者工作特征(ROC)曲线下的面积为0.840(0.817～0.862),约登指数为0.750,对应的灵敏度为0.877,特异度为0.873。Logistic回归模型中ROC曲线下的面积为0.914(0.899～0.930),约登指数为0.768,对应的灵敏度为0.861,特异度为0.907。结论决策树模型与Logistic模型,对预测缺血性脑卒中的患病风险具有一定的应用价值。     

提高流感疫苗接种率对减少美国重大心脏不良事件再入院的成本效益

背景:尽管流感疫苗已被证明可降低现有心血管疾病患者的主要心脏不良事件发生率,但在2015~2016年期间,美国心脏病患者的覆盖率仅为48%。方法:我们在2018年建立了一个基于蒙特卡罗电子表格的决策树,以评估增加流感疫苗接种防止主要心脏不良事件再入院的成本效益。我们的模型是基于目前美国流感疫苗接种覆盖范围估计493750例美国急性冠状动脉综合征患者从医疗付款人的角度。我们排除门诊费用和工作时间损失,只包括住院和疫苗接种费用。我们还估计了如果75%的急性冠状动脉综合征住院患者通过出院接种疫苗,则避免增加成本(主要心脏不良事件病例和增量成本效益比),并且在敏感性分析中估计住院患者中,疫苗接种覆盖率增加5%~95%的影响。年龄≥65岁,18~64岁,疫苗效力30%~40%不等。结果:在75%的出院疫苗接种覆盖率下,从医疗付款人的角度看,在年龄≥65岁的成年人中,疫苗接种可节省成本,18~64岁的成年人中,增量成本效益比为12680美元/调整质量生命年成本(95%CI:6273~20264)。     

典型机器学习算法在脂肪肝分类预测研究中的实现与比较

目的:实现和比较5种常见的机器学习算法在脂肪肝分类预测研究中的应用。方法:通过主成分分析对数据的体检指标进行降维,然后应用决策树、神经网络、支持向量机、贝叶斯网络和随机森林算法,分别构建脂肪肝分类预测模型,对1956例体检数据进行脂肪肝的分类预测。结果:决策树分类模型在脂肪肝分类预测上的准确率最高,达到70.14%,其次是支持向量机和神经网络模型,处于68%左右的水平。结论:本文所研究的典型算法在脂肪肝分类的预测上具有较为可靠分类预测能力,但决策树模型在应用小样本数据上表现出了优势;同时,还发现臀围(HIP)和甘油三酯(TG)可能与脂肪肝分类关联密切。     

基于决策树的慢性乙型肝炎与肝硬化诊断模型

目的利用决策树模型挖掘常见的临床检验资料信息,建立慢性乙型肝炎及肝硬化的无创诊断模型。方法选择广州医科大学附属第二医院2015年HBV感染相关性疾病518例,其中慢性乙型肝炎组344例,肝硬化组174例,收集患者的基本信息及常见的21项临床检验指标。通过无放回分层抽样方法在这两组样本中分别抽取3/4共同构成388例的训练样本,分别抽取1/4共同构成130例的测试样本,利用决策树分类回归树(Classification and Regression Trees,CART)和C4.5(Successor of ID3)两种算法构建模型,采用预测正确率和ROC曲线下面积(Area Under Curve,AUC)评价决策树模型的预测准确性。结果决策树的根节点样本数均为388,即全部训练样本,分枝包含最小样本数为15,决策树挖掘深度为5。最后进入C4.5模型的仅有白蛋白这一变量,叶节点个数为2;进入CART模型的有9个变量,分别是年龄、白蛋白、白蛋白/球蛋白、甲胎蛋白、Ⅲ型前胶原氨端肽、间接胆红素、总蛋白、丙氨酸氨基转移酶、球蛋白,叶节点个数为11。CART模型的预测正确率为86.15%,高于C4.5模型的83.85%;两者的AUC分别为0.851(95%CI:0.772~0.931)和0.822(95%CI:0.739~0.906)。结论利用决策树模型充分挖掘常规临床检验资料,所构建的无创诊断模型有较高的预测准确度,且CART模型优于C4.5模型,结果直观明了,解读性强,有一定的临床参考价值。     

决策树在天津市某区公务员健康状况影响因素分析中的应用

目的了解天津市某区公务员健康状况的影响因素,为提高该人群的健康水平提供依据。方法于2008年9-12月,采用整群抽样的方法抽取天津市某区部分公务员,发放问卷740份,进行健康状况和相关影响因素的问卷调查。利用705份有效问卷,应用SAS8.2 Enterprise Miner模块建立决策树模型,对该区公务员人群的健康状况影响因素进行分析和预测。结果该区公务员总体患病率为47.0%,患病率较高的前4种疾病为高血压(17.87%),高血脂(17.73%),脂肪肝(15.89%),颈、腰椎疾病(12.77%)。决策树筛检出的健康状况影响危险因素(重要性)包括年龄大(1.0000)、吸烟(0.8359)、不按时吃饭(0.7972)、心理健康分值低(0.5860)、体质指数高(0.4748)、被动吸烟(0.3673)、教育系统公务员(0.2876)、文化程度高(0.2832)、饮酒(0.1365);保护性因素(重要性)包括充足的睡眠时间(0.3873)、充足的体育锻炼时间(0.2845)、女性(0.2636)、亚健康分值低(0.2364)。决策树模型ROC曲线下面积为0.8881(95%CI:0.8643～0.9119),预测的准确度为80%。结论公务员人群健康状况不容乐观,各种慢性病患病率较高,是今后开展健康管理的重点群体。