非线性混合效应模型在交叉设计等级资料分析中的应用

目的 探讨非线性混合效应模型在交叉试验等级资料中的应用,为临床试验交叉设计资料的正确分析提供方法学参考.方法 采用SAS软件包的NLMIXED过程拟合模型,并以某治疗精神分裂症药物临床试验资料进行实例分析.结果 获得了各参数及其标准误的估计值,并可以对各因素进行直观的解释.结论 非线性混合效应模型不仅可以纳入随机效应,并可以根据需要纳入如中心、年龄、性别、基线值等协变量进行分析,同时对缺失数据处理具有较好的稳健性,是处理交叉设计中等级资料的有效分析方法.     

分类数据的重复测量及其在临床试验中的应用

目的介绍分类数据重复测量资料的统计分析及其在临床试验中的应用.方法采用加权最小二乘法建立边际函数模型,给出治疗中风临床试验实例,调用SAS统计软件包中CATMOD过程对重复测量分类数据资料进行统计分析.结果应用加权最小二乘法可对分类数据重复测量资料中研究因素各水平及各观察时间点的效应进行估计.结论对于重复测量的分类数据的资料,使用加权最小二乘法拟合模型,由于考虑了多次测量数据之间的相关性,因而可以充分挖掘出数据中包含的信息.     

Logistic回归模型多重共线性诊断及在医学中的应用

介绍医学研究中适用的几种诊断Logistic回归模型共线性的方法,并进行拟合分析,结果表明,诊断方法确能有效发现自变量观察矩阵之间的多重共线性,便于医学研究者正确合理地建立Logistic回归模型,提高结果的可靠性。     

应用Logistic回归探讨MDR交互的具体方式与效应大小

目的:探讨在分析基因、环境交互作用时,用Logistic回归分析多因子降维(Multifactor dimensionality reduction,MDR)所得交互模型的具体形式和效应大小是否可行.方法:以多环芳烃(Polycyclic aromatic hydrocarbons,PAHs)与肺癌风险的病例对照研究为例,采用MDR分析其基因-基因及基因-环境的交互效应,找出最优模型并用Logistic回归对交互效应的形式和效应大小进行补充分析.结果:在MDR发现的最佳三阶交互模型的基础上发现"rs4646782*rs2158041"基因多态性具有相乘效应,"rs4646782+rs2158041+smoking year"具有相加效应,前者乘积及后者的和每增大1个取值单位,其肺癌发病风险分别增加0.097和0.199倍.结论:结果提示Logistic回归可用于对MDR法所得到的交互模型的具体形式和效应大小进行补充分析.     

血清乙肝病毒大蛋白浓度S形标准曲线的拟合与优选

目的探讨线性及几种S形曲线回归模型拟合血清乙肝病毒大蛋白（HBV-LP）浓度与吸光度的标准曲线线性模型标准曲线的效果。方法HBV-LP标准品吸光度检测采用酶联免疫吸附试验,S模型、Logistic模型拟合采用SPSS软件曲线估计,四参数方程模型拟合采用Excel规划求解,根据各回归模型决定系数的大小来优选标准曲线模型。结果HBV-LP标准品浓度与吸光度的散点图呈非线性趋势;线性模型、S模型、Logistic模型、四参数方程模型的回归方程均有意义（P〈0.001）,决定系数分别为0.9249、0.9799、0.8647、0.9995。其中四参数方程模型和S模型的拟合精度较好,且以四参数方程模型最佳。结论四参数方程模型是血清HBV-LP浓度标准曲线的最适模型,这对优化实验室检测系统,提高检测血清HBV-LP浓度的准确度具有重要指导意义。     

单样本重复测量资料的混合线性模型及其应用

目的探索单样本重复测量资料的统计分析方法.方法给出了混合线性模型拟合方法和实例分析.结果通过混合线性模型拟合,使单样本重复测量资料得以合理分析.结论混合线性模型可以有效地、全面地分析单样本重复测量资料.     

分类数据的重复测量及其在临床试验中的应用

目的 介绍分类数据重复测量资料的统计分析及其在临床试验中的应用。方法 采用加权最小二乘法建立边际函数模型,给出治疗中风临床试验实例,调用SAS统计软件包中CATMOD过程对重复测量分类数据资料进行统计分析。结果 应用加权最小二乘法可对分类数据重复测量资料中研究因素各水平及各观察时间点的效应进行估计。结论 对于重复测量的分类数据的资料,使用加权最小二乘法拟合模型,由于考虑了多次测量数据之间的相关性,因而可以充分挖掘出数据中包含的信息。     

主成分改进的Logistic回归模型方法在流行病学分析中的应用

目的探讨在涉及多自变量的Logistic回归分析中变量间多重共线性的诊断和处理方法.方法应用主成分改进的Logistic回归方法进行多重共线性变量的诊断与处理. 结果去除了回归模型中变量间的多重共线性影响,建立了较为理想的关系模型. 结论在Logistic回归模型分析中应用上述方法进行多重共线性的诊断和处理是有效及可行的.     

中国人创伤结局影响因素的初步探讨

目的: 考察影响创伤结局的重要因素,初步筛选创伤患者结局预测模型的构成变量,为建立新的适合中国患者的创伤严重度评分方法进行有关评分模型的初步探讨. 方法: 利用全国200余所医院的创伤患者病案首页数据,初选出包括ISS评分所得严重度在内的9个相关的因素,将患者结局作为应变量拟合Logistic回归模型. 逐步回归法筛选变量,并估计其影响作用的大小. 结果: 解剖严重程度、有无并发症、年龄组、身份、是否接受手术、费用类型等6个因素对患者结局的影响有统计学意义(P<0.05),被选入Logistic回归模型. 另外,某些因素的交互效应也一并被选入Logistic回归模型(P<0.05). 结论: 解剖严重度是影响创伤结局的最重要的因素,其次是有无并发症和年龄等因素. 其余因素是否作为创伤评分模型应考察的因素需作进一步的探讨.     

不同时机中药干预急性胆源性胰腺炎肝胆湿热证预后因素的Logistic回归分析

目的探讨不同时机中药干预急性胆源性胰腺炎预后的分析,拟合回归方程用于急性胆源性胰腺炎预后的判断。方法回顾性收集不同时机干预急性胆源性胰腺炎肝胆湿热证患者的临床资料,202例急性胆源性胰腺炎肝胆湿热证患者,分为中药早期干预(入院后48 h,89例)和中药延期干预(入院后 48 h,113例),采用二元Logistic回归法对可能影响急性胰腺炎肝胆湿热证患者预后的因素进行分析并建立回归模型,绘制ROC曲线,确定预后模型的最佳临界值。结果单因素Logistic回归分析显示,营养不良为急性胆源性胰腺炎预后的保护因素; Ca2+、腹水、肌钙蛋白(TNI)为急性胆源性胰腺炎预后的危险因素。经多因素Logistic回归分析筛选出Ca+、腹水、营养不良及TNI 4个因素用于回归模型的拟合。ROC曲线下面积为0. 882,模型预测准确率为89. 88%。结论研究中拟合的回归方程预测准确率较高,对不同时机中药干预急性胆源性胰腺炎的预后判断有一定参考价值。     

普通偏残差图对自变量在回归方程中函数形式的提示作用

目的：建立一个较优的ｌｏｇｉｓｔｉｃ回归方程，探讨ｌｏｇｉｓｔｉｃ回归方程自变量的变换问题。方法；利用图示方法和Ｍｏｎｔｅ－ｃａｒｌｏ方法讨论了ｌｏｉｇｉｓｔｉｃ回归中自变量的变换问题。结果：对原有图示方法进行了改进，提出了一种新的图示方法－普通偏残差图，并用实例说明了其医学应用价值。结论：普通偏残差图不仅简单，而且能较准确地提示自变量的变换形式。     

基于Logistic回归和随机森林的心力衰竭预后预测建模

目的 基于电子病历系统结构化信息创建的临床数据库,通过机器学习算法进行数据预处理和特征选择,构建预测心力衰竭患者住院期间死亡和6个月内死亡预测模型,从而辅助识别高危患者,为治疗干预提供指导。方法 以PhysioNet网站上公开的一个数据集为研究数据来源,该数据集纳入了2016年12月至2019年6月在四川省自贡市第四人民医院住院的心力衰竭患者临床信息,利用Python进行数据预处理、特征选择,并构建Logistic回归及随机森林预后预测模型,以增大ROC曲线下面积（area under curve,AUC）为目标优化模型,并在测试集中以AUC、准确率、精确度、召回率和F1分数综合验证模型预测效果。结果 通过数据预处理共获得146项特征用于住院期间心力衰竭死亡预测建模,155项特征用于6个月内心力衰竭死亡预测建模,基于随机森林的建模方法用于住院期间死亡效果最佳,AUC为0.893 1;在6个月内死亡预测上,结合LASSO和RFE进行特征选择,筛选出包括出院去向（健康护理机构、家庭或未知）、入院病房（全科）、出院科室（心血管科）、Killip分级（Ⅰ、Ⅱ和Ⅲ级）、心肌梗死情况以及充血性心力衰竭情况共10个特征进行Logistic回归建模,AUC达到0.833 6,与基于全部特征进行随机森林特征效果（AUC=0.846 0）相当。结论 本研究探索出一套针对电子病历系统结构化临床数据进行数据预处理、特征工程、机器学习算法建模并验证模型的方法,利用真实世界数据构建兼顾预测准确性和高危个体检出率的心衰预后预测模型。     

Logistic回归分析评价简易无创模型预测乙型肝炎相关肝硬化

目的:评价简易无创模型AAR(AST-to-ALT ratio)、APRI(AST-to-platelet ratio index)、SPRI(spleen-to-platelet ratio index)、API(age-platelet index)、ASPRI(age-spleen-to-platelet ratio index)预测乙型肝炎相关肝硬化的临床价值。方法:慢性乙型肝炎170例,其中病理诊断为非肝硬化138例,肝硬化32例。参照原始文献构建预测肝纤维化程度的简易无创模型。统计分析采用SPSS 13.0软件。简易无创模型在非肝硬化与肝硬化患者之间的比较采用两独立样本的t检验。简易无创模型预测肝硬化的评价采用二分类Logistic逐步回归分析。结果:肝硬化患者的平均AAR、SPRI、API、ASPRI显著大于非肝硬化患者(P=0.000,0.009,0.000,0.005),平均APRI相近于非肝硬化患者(P=0.223)。只有AAR和API符合Logistic回归模型纳入自变量标准(P<0.05)。基于简易无创模型建立的Logistic回归模型预测肝硬化的灵敏度、特异度、阳性预测值、阴性预测值、准确度分别为0.22,0.99,0.70,0.84,0.84。结论:AAR和API可能是预测乙型肝炎相关肝硬化较可靠的简易无创模型。基于简易无创模型建立的预测乙型肝炎相关肝硬化的Logistic回归模型有一定的临床实践效能。     

负二项回归在新药安全性评价中的应用

目的: 将负二项回归用于新药的安全性评价,以此分析评价不良事件的发生情况.方法: 结合罗格列酮治疗Ⅱ型糖尿病患者的Ⅲ期临床试验实例,以年龄、性别等为影响因素,以不良事件的发生次数为反应变量拟合Poisson回归模型和负二项回归模型.结果: 负二项回归模型拟合其值与自由度之比为0.9995,效果要优于Poisson回归模型,"性别"和"处理"进入回归模型,"年龄"未进入.拟合的回归模型具有统计学意义.结论: 负二项回归模型作为一种新的方法可尝试应用于新药的安全性评价中,以拓展新药的安全性评价,解决传统新药安全性评价仅考虑不良事件发生例数而不考虑例次及基线因素的弊端.     

基于机器学习算法的重症缺血性脑卒中早期死亡预测效果评价

目的 评价支持向量机(SVM)、随机森林(RF)、极限梯度提升(XGBoost)3种机器学习算法与Logistic回归在重症缺血性脑卒中30天死亡结局的预测效果。方法 使用2008年至2019年MIMIC-IV数据库中符合纳排标准的2358例重症缺血性脑卒中患者资料,分别用SVM、随机森林、XGBoost3种机器学习算法与Logistic回归结合合成少数类过采样(SMOTE)技术建立早期死亡预测模型,并使用通过受试者工作特征曲线下面积(AUC)、准确度、F1-score、布里尔分数等指标评价预测效果。结果 SVM、随机森林、XGBoost与Logistic回归模型在原始类不平衡数据死亡预测中AUC值分别为0.78、0.81、0.84、0.83。应用SMOTE合成数据集后,SVM、随机森林、XGBoost与Logistic回归模型的AUC值分别为0.72、0.84、0.83、0.83。除SVM 外,机器学习算法与Logistic回归之间有相似的预测能力,但准确率、布里尔分数等优于Logistic回归,综合分类性能更优。结论 机器学习算法在重症缺血性脑卒中早期死亡预测中性能较传统方法更优,在解决重症患者预后预测研究问题中具有优势。     

有序多分类重复测量资料的广义估计方程分析

目的 探讨广义估计方程在有序多分类重复测量资料中的应用,为临床试验中的重复测量资料的正确分析提供方法学上的参考。方法 采用SAS软件包的GENMOD语句拟合广义估计方程,进行实例分析,并和独立logistic回归分析结果进行对比。结果 获得了各参数及其标准误的估计值。可以对各因素进行直观的参数估计。广义估计方程各参数估计值标准误普遍大于独立logistic回归估计值的标准误,从而使得检验结果发生了变化。结论 广义估计方程引入工作相关矩阵以处理非独立数据之间的相关性,可以有效地控制层次相关性、重复测量因素及其它混杂因素,为有序多分类重复测量资料提供了一种有效的分析方法。     

多水平模型在分层抽样研究中的优越性

目的探讨在分层抽样横断面调查研究资料中多水平模型相对于传统模型的优越性。方法分别采用普通logistic回归模型和多水平logistic回归模型分析"第2次全国人体重要寄生虫病现状调查"中的华支睾吸虫病流行区调查中的广东省数据。结果在传统logistic回归分析中差异无统计学意义的年龄组,在多水平logistic回归分析中差异有统计学意义。结论与传统logistic回归模型相比,多水平模型在处理层次结构的数据时考虑到数据误差的层次性,可以有效地分析具有层次结构的数据。     

基于灰阶超声的不同影像组学模型鉴别乳腺肿块良恶性的价值

目的 探讨基于灰阶超声的不同影像组学模型鉴别乳腺肿块良恶性的临床价值.方法 回顾性分析2018年10月至2020年10月皖南医学院附属太和县人民医院经病理证实的180例患者的乳腺肿块灰阶超声图像并提取影像特征,将肿块按照7:3随机抽样,其中126个肿块作为训练组,54个肿块作为验证组.采用单因素方差分析及最小绝对收缩和...     

基于机器学习的2型糖尿病并发症预测模型研究

目的：利用统计学和机器学习方法,探究2型糖尿病并发症的影响因素,构建2型糖尿病并发症预测模型,对并发症的发生进行预测,为2型糖尿病并发症的预防和早期筛查提供理论参考。方法：以国家人口健康科学数据中心2009年的2型糖尿病患者数据为研究对象,对性别、年龄、尿常规检查和生化检查等信息进行单因素和多因素logistic回归分析,并构建XGBoost模型,进行2型糖尿病并发症的预测。结果：单因素和多因素Logistic回归模型与XGBoost模型显示,2型糖尿病并发症的发生与14项影响因素具有相关关系,模型预测准确率为82.85%。结论：模型预测的效果良好,具有一定的参考价值。     

The Classification of Obesity Disease in Logistic Regression and Neural Network Methods

The aim of this study is to establish an automated system to recognize and to follow-up obesity. In this study, the areas affected from obesity were examined with a classification considering the divergent arteries and body mass index of 30 healthy and 52 obese people by using two different mathematical models such as the traditional statistical method based on logistic regression and a multi-layer perception (MLP) neural network, and then classifying performances of logistic regression and neural network were compared. As a result of this comparison, it is observed that the classifying performance of neural network is better than logistic regression; also the reasons of this result were examined. Furthermore, after these classifications it is observed that in obesity the body mass index is more affected than the divergent arteries.