应用机器学习预测2型糖尿病不同发病阶段的研究

发布时间：2020-06-04 09:30

【摘要】：目的使用2型糖尿病(Type 2 diabetes mellitus,T2DM)患者的临床资料和生化检查建立基于机器学习理论的2型糖尿病并发症的预测模型,其次以二元Logistic回归作为补充,初步筛查2型糖尿病患者并发症的关联因素及影响顺位,用建立好的模型预测不同发病阶段的2型糖尿病患者是否患有并发症,初步分析关联因素与2型糖尿病及并发症之间的联系。方法调取2017年7月-2018年7月西北地区某省人民医院共420名2型糖尿病住院患者的电子病历信息,收集糖尿病诊断数据及生化检查资料,进行数据预处理之后筛选得到了其中可能对2型糖尿病及并发症具有研究意义的77个变量,将所有数据进行归一化处理后建立数据库,使用MATLAB软件,采用机器学习中的人工神经网络(Artificial neural networks,ANN)算法,用误差反向传播(Back propagation,BP)神经网络作为拟合模型,将样本分为训练组和验证组,其中训练组包含样本358例(占样本总量的85%),建立BP神经网络模型,结构为77-50-1、学习率为0.1、训练误差为0.2、最大训练步数设为1000步(epoeh)、传递函数为对数Sigmiod函数、采用Levenberg-Marquardt优化方法对网络进行训练。验证组样本有62例(占样本总量的15%),验证BP神经网络模型的预测性能并预测其是否患有并发症。其次,应用基于流行病学研究设计的二元logistic回归,分别用卡方检验和t检验筛选有统计学意义的变量,再将筛选出的变量纳入行二元logistic回归分析,应用SPSS18.0软件对所有的数据进行处理,筛选2型糖尿病并发症的关联因素。结合BP神经网络模型和二元logistic回归得出的影响因素,从实际临床学习和文献中分析关联因素,初步探讨其与2型糖尿病及并发症的关系。结果BP神经网络模型用验证组进行预测的正确率约为93.55%,灵敏度和特异度分别为95.6%、88.2%,在77个变量影响值排序中,嗜碱性粒细胞比率、平均红细胞体积、红细胞、红细胞体积分布宽度、腰围、舒张压、收缩压、总胆汁酸、年龄、糖尿病家族史等因子顺位排序靠前;二元logistic回归中年龄和平均红细胞体积是2型糖尿病发展至并发症的两个关联因素。结论应用BP神经网络模型进行预测的正确率约为93.55%,灵敏度和特异度分别为95.6%、88.2%,可见BP神经网络模型具有较高的预测性能,其中嗜碱性粒细胞比率、平均红细胞体积、红细胞、红细胞体积分布宽度、腰围、舒张压、收缩压、总胆汁酸、年龄、糖尿病家族史等因子顺位排序靠前;二元logistic回归中年龄和平均红细胞体积是2型糖尿病发展至并发症的两个关联因素,BP神经网络预测结果中得到的变量也包含了logistic回归中得到的变量。本次研究初步尝试应用BP人工神经网络算法建立2型糖尿病并发症的预测模型,用于预测2型糖尿病不同发病阶段的患者是否处于并发症这一阶段,期望筛选更复杂更多样的指标并且获得影响度排序,为2型糖尿病发展至并发症阶段的早期诊断提供一定的科学依据。
【学位授予单位】：西安医学院
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP181;R587.1

【相似文献】