基于异质性模型的低体重出生儿判别分析研究
发布时间：2021-06-11 03:29
在低体重出生儿预测判别分析中,母亲行为习惯和身体特征是关键性因素,但相似的受试者母亲特征所生婴儿表现型差异较大,给低体重出生儿预测判别造成较大困惑。为提高低体重出生儿预测判别精准度,引入广义线性混合模型拟合个体异质性,构建异质性机器学习模型,通过异质性模型的分类数值模拟,其中异质性随机森林模型判别准确率达100%。数值模拟结果显示异质性模型在判别分析上有极大的优势,可以辅助医生有针对性地对受试者母亲进行诊断,实现低体重出生儿的预测精准智能化。
【文章来源】：中国数字医学. 2020,15(11)
【文章页数】：6 页
【部分图文】：
=2聚类结果
率是9.8%，即准确率达到90.2%分类效果最好。三种机器学习方法判别预测结果不尽人意，虽然随机森林判别预测精准度达90.2%，但仍有47个低出生体重婴儿分到非低出生体重婴儿类别，因此模型还有很大的改进余地。第一，机器学习模型在变量选择上有所欠缺，即给定什么变量并运用所有变量，增加不必要变量和缺少重要变量对模型结果影响很大。第二，对数据的分析是基于188个受试者母亲是同质的，但实际情况并非如此，因此需要对个体异质性进行分析。以下对个体异质性进行进一步分析，并改进模型。2.2个体异质性分析图1是选取前14个受试者所生婴儿的出生体重的折线图。结果显示14受试者母亲所生婴儿体重的截距，斜率都有很大差异。第一个受试者母亲所生婴儿全部为低出生体重婴儿，第10～14个受试者母亲所生婴儿全部正常，因此可见个体之间是非同质的。图2是188个个体BWT（出生体重）与年龄AGE回归的截距与斜率95%置信区间值图。如图所示每个受试者母亲所生婴儿之间截距与斜率差异性巨大，侧面反映每个受试者母亲的异质性。因此对受试者同质性假设不成立，模型有改进的必要。根据模型的响应变量是二分类变量，并且基于对个体异质性假设，考虑对每个受试者的截距项加入一个随机变量，因而考虑选取广义线性混合效应模型估计个体异质性。2.2.1基于个体异质性Ckmeans.1d.dp聚类最优化单变量聚类（JoeSongandHaizhouWang），解决了单变量K均值、K中值和K段三种类型的问题，保证了最优性和重现性[11-12]。核心算法使用各自的度量最小化簇内距离之和，随着簇数k的增加，其相对于分类方法分类结果判错率（%）-01决策树模型03063131.919259-01Bagging模型03241313.218262-01随机森林模型0
嫌兴?欠缺，即给定什么变量并运用所有变量，增加不必要变量和缺少重要变量对模型结果影响很大。第二，对数据的分析是基于188个受试者母亲是同质的，但实际情况并非如此，因此需要对个体异质性进行分析。以下对个体异质性进行进一步分析，并改进模型。2.2个体异质性分析图1是选取前14个受试者所生婴儿的出生体重的折线图。结果显示14受试者母亲所生婴儿体重的截距，斜率都有很大差异。第一个受试者母亲所生婴儿全部为低出生体重婴儿，第10～14个受试者母亲所生婴儿全部正常，因此可见个体之间是非同质的。图2是188个个体BWT（出生体重）与年龄AGE回归的截距与斜率95%置信区间值图。如图所示每个受试者母亲所生婴儿之间截距与斜率差异性巨大，侧面反映每个受试者母亲的异质性。因此对受试者同质性假设不成立，模型有改进的必要。根据模型的响应变量是二分类变量，并且基于对个体异质性假设，考虑对每个受试者的截距项加入一个随机变量，因而考虑选取广义线性混合效应模型估计个体异质性。2.2.1基于个体异质性Ckmeans.1d.dp聚类最优化单变量聚类（JoeSongandHaizhouWang），解决了单变量K均值、K中值和K段三种类型的问题，保证了最优性和重现性[11-12]。核心算法使用各自的度量最小化簇内距离之和，随着簇数k的增加，其相对于分类方法分类结果判错率（%）-01决策树模型03063131.919259-01Bagging模型03241313.218262-01随机森林模型033619.8147104表2模型的分类结果图1受试者个体折线图图2受试者个体截距差异图信息化论坛InformationForum
【参考文献】：
期刊论文
[1]婴儿出生体重与母亲学历及职业关系的探讨[J]. 江萍,李玲. 社区医学杂志. 2018(01)
[2]甘肃低出生体重婴儿现状及其预防策略[J]. 张勰,杨丽,刘晖,高雪梅. 甘肃科技. 2017(02)
[3]结直肠癌的遗传异质性与分子分型[J]. 鞠海星. 中华结直肠疾病电子杂志. 2015(04)
[4]统计学:从数据到结论（第四版）[J]. 吴喜之. 中国统计. 2013(06)
[5]肿瘤遗传异质性[J]. 杨壹羚,褚嘉祐,王明荣. 遗传. 2013(01)
[6]视网膜色素变性的遗传异质性和临床异质性[J]. 盛迅伦. 山东大学耳鼻喉眼学报. 2011(05)
[7]4379例婴儿出生体重分析[J]. 魏秀菊,李青,李润平. 中国妇幼保健. 2011(02)
[8]婴儿出生体重和母亲孕期体重指数与胰岛素抵抗综合征的关系[J]. 米杰,程红,侯冬青,赵小元,鲁杰,张志坤. 中国药物与临床. 2003(03)
本文编号：3223716
【文章来源】：中国数字医学. 2020,15(11)
【文章页数】：6 页
【部分图文】：
=2聚类结果
率是9.8%，即准确率达到90.2%分类效果最好。三种机器学习方法判别预测结果不尽人意，虽然随机森林判别预测精准度达90.2%，但仍有47个低出生体重婴儿分到非低出生体重婴儿类别，因此模型还有很大的改进余地。第一，机器学习模型在变量选择上有所欠缺，即给定什么变量并运用所有变量，增加不必要变量和缺少重要变量对模型结果影响很大。第二，对数据的分析是基于188个受试者母亲是同质的，但实际情况并非如此，因此需要对个体异质性进行分析。以下对个体异质性进行进一步分析，并改进模型。2.2个体异质性分析图1是选取前14个受试者所生婴儿的出生体重的折线图。结果显示14受试者母亲所生婴儿体重的截距，斜率都有很大差异。第一个受试者母亲所生婴儿全部为低出生体重婴儿，第10～14个受试者母亲所生婴儿全部正常，因此可见个体之间是非同质的。图2是188个个体BWT（出生体重）与年龄AGE回归的截距与斜率95%置信区间值图。如图所示每个受试者母亲所生婴儿之间截距与斜率差异性巨大，侧面反映每个受试者母亲的异质性。因此对受试者同质性假设不成立，模型有改进的必要。根据模型的响应变量是二分类变量，并且基于对个体异质性假设，考虑对每个受试者的截距项加入一个随机变量，因而考虑选取广义线性混合效应模型估计个体异质性。2.2.1基于个体异质性Ckmeans.1d.dp聚类最优化单变量聚类（JoeSongandHaizhouWang），解决了单变量K均值、K中值和K段三种类型的问题，保证了最优性和重现性[11-12]。核心算法使用各自的度量最小化簇内距离之和，随着簇数k的增加，其相对于分类方法分类结果判错率（%）-01决策树模型03063131.919259-01Bagging模型03241313.218262-01随机森林模型0
嫌兴?欠缺，即给定什么变量并运用所有变量，增加不必要变量和缺少重要变量对模型结果影响很大。第二，对数据的分析是基于188个受试者母亲是同质的，但实际情况并非如此，因此需要对个体异质性进行分析。以下对个体异质性进行进一步分析，并改进模型。2.2个体异质性分析图1是选取前14个受试者所生婴儿的出生体重的折线图。结果显示14受试者母亲所生婴儿体重的截距，斜率都有很大差异。第一个受试者母亲所生婴儿全部为低出生体重婴儿，第10～14个受试者母亲所生婴儿全部正常，因此可见个体之间是非同质的。图2是188个个体BWT（出生体重）与年龄AGE回归的截距与斜率95%置信区间值图。如图所示每个受试者母亲所生婴儿之间截距与斜率差异性巨大，侧面反映每个受试者母亲的异质性。因此对受试者同质性假设不成立，模型有改进的必要。根据模型的响应变量是二分类变量，并且基于对个体异质性假设，考虑对每个受试者的截距项加入一个随机变量，因而考虑选取广义线性混合效应模型估计个体异质性。2.2.1基于个体异质性Ckmeans.1d.dp聚类最优化单变量聚类（JoeSongandHaizhouWang），解决了单变量K均值、K中值和K段三种类型的问题，保证了最优性和重现性[11-12]。核心算法使用各自的度量最小化簇内距离之和，随着簇数k的增加，其相对于分类方法分类结果判错率（%）-01决策树模型03063131.919259-01Bagging模型03241313.218262-01随机森林模型033619.8147104表2模型的分类结果图1受试者个体折线图图2受试者个体截距差异图信息化论坛InformationForum
【参考文献】：
期刊论文
[1]婴儿出生体重与母亲学历及职业关系的探讨[J]. 江萍,李玲. 社区医学杂志. 2018(01)
[2]甘肃低出生体重婴儿现状及其预防策略[J]. 张勰,杨丽,刘晖,高雪梅. 甘肃科技. 2017(02)
[3]结直肠癌的遗传异质性与分子分型[J]. 鞠海星. 中华结直肠疾病电子杂志. 2015(04)
[4]统计学:从数据到结论（第四版）[J]. 吴喜之. 中国统计. 2013(06)
[5]肿瘤遗传异质性[J]. 杨壹羚,褚嘉祐,王明荣. 遗传. 2013(01)
[6]视网膜色素变性的遗传异质性和临床异质性[J]. 盛迅伦. 山东大学耳鼻喉眼学报. 2011(05)
[7]4379例婴儿出生体重分析[J]. 魏秀菊,李青,李润平. 中国妇幼保健. 2011(02)
[8]婴儿出生体重和母亲孕期体重指数与胰岛素抵抗综合征的关系[J]. 米杰,程红,侯冬青,赵小元,鲁杰,张志坤. 中国药物与临床. 2003(03)
本文编号：3223716
本文链接：https://www.wllwen.com/yixuelunwen/eklw/3223716.html
最近更新
教材专著
