基于隐树模型的40岁～65岁妇女原发性骨质疏松症中医证候要素分析

目的:运用机器学习方法探索40岁～65岁妇女原发性骨质疏松症的中医基本证候要素特征。方法:运用隐类分析方法对北京和上海社区骨质疏松人群中医证候相关数据进行分析并建立隐树模型。结果:得到BIC评分为-22950.125的隐树模型,模型中的隐变量展现了骨质疏松人群以肾虚、肝虚、阳虚、阴虚、血瘀等为主的基本证候要素特征。结论:隐树模型可以客观化、定量化地揭示中医症状间的复杂关系,为中医证候的定量化研究提供研究思路。     

基于SMOTE算法和决策树的绝经后骨质疏松性骨折分类模型建构

目的构建符合北京、上海两地40～65岁女性人口学特征的危险因素和中医症状相结合的骨质疏松性骨折早期风险预测工具。方法本研究采用注册登记式研究的方法 ,于2009年3-8月在北京市东城区及上海市徐汇区收集的1 823例40～65岁女性骨质疏松症高危人群的危险因素及中医症状信息,进行连续3年的登记观察。采用SMOTE过抽样算法平衡数据,基于决策树模型筛选与骨质疏松症骨折有关的危险因素及中医症状,并建立骨质疏松性骨折风险评估工具。结果本研究选择C4.5算法作为预测模型建立工具。首先筛选出对绝经后骨质疏松性骨折高危患者发生脆性骨折的危险因素,然后建立预测模型。由于样本量较小,在节点的设置中采用交叉验证,Mode选用Expert,修剪纯度设为75,采用全局修剪。根据此生长和修剪规则,所建立分类树模型共包括5层,共19个结点,共筛选出6个解释变量。各指标按重要程度从大到小依次为骨密度、目眩、肉类、生产次数、视物模糊和乏力。经过逐层各影响因素的分类,最终骨折人群比例占13%。对该预测模型预测概率绘制受试者工作特征曲线,结果显示曲线下面积为0.871(95%CI=0.8226-0.9211)。结论初步建立了基于北京、上海人口学特征40～65岁女性骨质疏松性骨折分类模型。     

基于Group Lasso的Logistic回归模型构建绝经后骨质疏松性骨折初发风险评估工具

目的构建符合北京、上海两地40~65岁女性人口学特征的危险因素和中医症状相结合的骨质疏松性骨折早期风险预测工具。方法本研究采用注册登记式研究的方法,对2009年3月-8月在北京市东城区及上海市徐汇区收集的1129例40~65岁女性骨质疏松症高危人群的危险因素及中医症状信息,进行连续3年的登记观察。采用SMOTE过抽样算法平衡数据,基于Group Lasso的Logistic回归模型筛选与骨质疏松症骨折有关的危险因素及中医症状,建立骨质疏松性骨折风险评估工具。结果基于R 3.3.3软件的Grplasso包,在不同λ水平上,我们进行对绝经后骨质疏松性骨折的危险因素与中医证候要素的学习。最终结合数理与医理,认为λ=0.0235时遴选出的变量最佳。具体组变量包括:骨密度(bone mineral density,BMD)、年龄、食物类、身高、月经情况、孕产次数和肝肾阴虚。进而基于Logistic回归模型得出骨质疏松性骨折预测工具:P=-1.88+0.437*BMD+0.289*年龄+0.023*大米面条-0.007*奶制品-0.096*豆制品-0.128*肉类-0.084*鱼类-0.007*新鲜蔬菜-0.018*蛋类+0.047*海藻类+0.048*身高-0.035*是否变矮-0.081*初潮年龄+0.171*是否绝经+0.121*绝经年限+0.039*怀孕次数+0.192*生产次数-0.056*子宫卵巢是否切除+0.05*手足烦热-0.094*盗汗+0.008*腿软+0.15*目眩-0.048*视物模糊-0.045*目睛干涩-0.089*恶热+0.08*脱发+0.034*齿摇-0.101*口苦+0.004*易怒+0.054*午后潮热-0.056*失眠+0.019*多梦易惊-0.02*胸胁苦满+0.137*下肢转筋。对该预测模型预测概率绘制受试者工作特征曲线,结果显示曲线下面积为0.8775(95%CI=0.8412~0.9138)。结论初步建立了基于北京、上海人口学特征40~65岁女性骨质疏松性骨折早期风险预测工具。