急性缺血性脑卒中出血性转化的决策树风险预测模型

发布时间：2020-10-12 18:02

【摘要】：目的将决策树算法应用于急性缺血性脑卒中患者出血性转化的风险预测,找出决策因素,根据决策路径对决策因素进行干预,减少出血性转化的发生,提高患者预后。方法将2012年01到2017年06月在华北理工大学附属医院和唐山市工人医院神经内科住院的急性缺血性脑卒中患者作为研究对象。根据入院2周内是否发生出血性转化分为出血性转化组与非出血性转化组。回顾性收集患者的病例信息,包括一般情况、既往疾病史及药物史、体格检查、生理生化检查、影像学检查资料以及治疗方案。选择单因素分析有统计学意义的指标结合既往研究结果确定模型输入变量,选择出血性转化作为目标变量,按照训练集与测试集7:3的比例建立Logistic回归模型、RBF神经网络模型以及CART、QUEST、C5.0决策树模型,并比较模型的预测性能。 结果1单因素分析结果显示,出血性转化组高血压、糖尿病、房颤、脑梗死病史、抗血小板药物史、大面积脑梗死、脑白质疏松、早期CT低密度影、溶栓治疗和抗凝治疗患者比例及其NIHSS评分、白细胞和PT-INR水平显著高于非出血性转化组,白蛋白和甘油三酯水平显著低于非出血性转化组。2多因素分析显示,高血压、糖尿病、房颤、脑梗死病史、NIHSS评分、大面积脑梗死、溶栓治疗以及白细胞为出血性转化的危险因素,抗血小板治疗和甘油三酯为出血性转化的保护因素。3对314例训练集样本与146例测试集样本进行预测,Logistic回归模型的准确率分别为78.3%和69.2%,灵敏度分别为75.8%和75.4%,特异度分别为81.0%和63.6%,Kappa指数分别为0.567和0.387,AUC分别为0.784和0.695;RBF神经网络模型的准确率分别为72.6%和74.7%,灵敏度分别为87.6%和88.4%,特异度分别为56.9%和62.3%,Kappa指数分别为0.448和0.500,AUC分别为0.719和0.754;CART决策树模型的准确率分别为70.7%和72.6%,灵敏度分别为70.2%和76.8%,特异度分别为71.2%和68.8%,Kappa指数分别为0.414和0.454,AUC分别为0.707和0.728;QUEST决策树模型的准确率分别为76.8%和76.0%,灵敏度分别为85.1%和84.1%,特异度分别为68.0%和68.8%,Kappa指数分别为0.533和0.524,AUC分别为0.765和0.764;C5.0决策树模型的准确率分别为96.5%和80.1%,灵敏度分别为98.1%和82.6%,特异度分别为94.8%和77.9%,Kappa指数分别为0.930和0.603,AUC分别为0.965和0.803。4在训练集中,C5.0决策树模型AUC显著高于其他四种模型;在测试集中,C5.0决策树模型AUC显著高于QUEST决策树模型、CART决策树模型以及Logistic回归模型,与RBF神经网络模型间AUC比较无显著差异。因此,C5.0决策树模型预测性能优于Logistic回归模型、神经网络模型以及CART、QUEST决策树模型,为最优风险预测模型。5C5.0决策树模型一共生成14条决策路径,决策因素为NIHSS评分、PT-INR、甘油三酯、脑梗病史和抗血小板治疗等,其中NIHSS评分为最重要的决策因素。结论1高血压、糖尿病、房颤、脑梗死病史、NIHSS评分、大面积脑梗死、溶栓治疗以及白细胞为出血性转化的危险因素,抗血小板治疗和甘油三酯为出血性转化的保护因素。2 C5.0决策树模型预测性能优于Logistic回归模型、神经网络模型以及CART、QUEST决策树模型,为最优风险预测模型。3 C5.0决策树模型一共生成14条决策路径,决策因素为NIHSS评分、PT-INR、甘油三酯、脑梗病史和抗血小板治疗等,其中NIHSS评分为最重要的决策因素,可以根据决策因素及决策路径指导急性缺血性脑卒中患者出血性转化的二级预防与治疗。
【学位授予单位】：华北理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R743.3
【图文】：

图 1 Logistic 回归模型预测变量重要性排序Fig.1 The importance of predictor variables in Logistic regression model RBF 神经网络风险预测模型将单因素分析筛选出的 20 个变量输入 RBF 神经网络模型，得到一个隐含层数，隐含层神经元数为 10 的 BP 神经网络模型；该模型对 314 例训练集样本与例测试集样本进行预测，准确率分别为 72.6%和 74.7%，平均正确性分别为%和 47.8%；训练集灵敏度为 87.6%，特异度为 56.9%，约登指数为 0.45，阳然比为 2.032，阴性似然比为 0.218，Kappa 指数为 0.448，阳性预测值为%，阴性预测值 81.3%，AUC 为 0.719（95%CI：0.666~0.768）；测试集灵敏 88.4%，特异度为 62.3%，约登指数为 0.51，阳性似然比为 2.345，阴性似然 0.186，Kappa 指数为 0.500，阳性预测值为 67.8%，阴性预测值为 85.7%， 为 0.754（95%CI：0.676~0.821）。（见表 9-11）

否 20（12.4） 87（56.7） 107合计 161 153 314表 11 RBF 神经网络模型测试集样本的分类结果[n（%）]Table 11 The result of test set in RBF neural network model [n（%）]测试集预测值观测值合计是 否是 61（88.4） 29（37.7） 90否 8（11.6） 48（62.3） 56合计 69 77 146RBF 神经网络模型对预测变量进行敏感度分析，影响出血性转化的变量重要序依次是 NIHSS 评分，白蛋白，甘油三酯，血浆纤维蛋白原，HDL-C，LDLT-INR，血小板，高血压和抗凝治疗等。（见图 2）

华北理工大学硕士学位论文CART 决策树模型根据 Gini 系数进行变量属性分类，按照信息增益进行预重要性排序，依次为 NIHSS 评分，PT-INR，血小板，甘油三酯，溶栓治疗-C，白蛋白，LDL-C，糖尿病和血浆纤维蛋白原，其中最重要的预测变量SS 评分和 PT-INR。（见图 3）
【参考文献】

中国期刊全文数据库 前10条

1 李海林;贾晓雁;王晋鹏;翁银燕;张亮;金毅;余丹风;;急诊独立模式溶栓缩短急性缺血性脑卒中患者入院-溶栓时间探讨[J];中华急诊医学杂志;2016年09期

2 耿云平;郭广春;刘蕾;任悠悠;杨磊;;灌注CT微血管通透性对缺血性脑卒中患者出血性转化的预测[J];中华老年心脑血管病杂志;2015年12期

3 李丽;;脑梗死静脉溶栓治疗后出血性转化及其预后的危险因素分析[J];中西医结合心脑血管病杂志;2015年06期

4 吴立新;;未溶栓脑梗死患者发生自发性出血性转化的危险因素及预后[J];中国老年学杂志;2015年09期

5 Yan-yan SONG;Ying LU;;用于分类与预测的决策树分析（英文）[J];上海精神医学;2015年02期

6 肖春月;;急性脑梗死后出血性转化45例临床分析[J];中国临床医生杂志;2015年04期

7 魏衡;余勇飞;周瑞;尹虹祥;杜继臣;杨旭;邱石;;HAT、SEDAN评分及相关脑血管病危险因素预测急性缺血性卒中溶栓后出血性转化临床研究[J];中国现代神经疾病杂志;2015年02期

8 帅健;李丽萍;陈业群;;决策树模型与Logistic回归模型在伤害发生影响因素分析中的作用[J];中华疾病控制杂志;2015年02期

9 田洪;刘磊;郝磊;臧巧利;朱川;;急性脑梗死后出血性转化48例临床特点分析[J];重庆医学;2015年02期

10 冼文川;朱育昌;张惠婷;钟望涛;;缺血性脑卒中患者静脉溶栓后出血性转化[J];中国老年学杂志;2015年01期

中国博士学位论文全文数据库 前2条

1 卑贵光;脑梗塞出血性转化的MR分型与预后相关性研究[D];中国医科大学;2010年

2 李长平;Logistic回归、决策树和神经网络在预测2型糖尿病并发末梢神经病变中的性能比较[D];中国人民解放军军事医学科学院;2009年

中国硕士学位论文全文数据库 前10条

1 王潇;血管性认知障碍影响因素的决策树模型研究[D];青岛大学;2017年

2 史彬;基于Logistic回归分析的胃癌前病变风险预测模型的建立及评价[D];中国中医科学院;2017年

3 李晶;影响大面积脑梗死预后的多因素分析及颅脑水瘀证分布特点的研究[D];广州中医药大学;2017年

4 刘娟娟;急性脑梗死非溶栓后出血性转化的临床研究[D];河北医科大学;2017年

5 齐金喜;63例急性脑梗死后出血性转化的临床特征及其危险因素分析[D];宁夏医科大学;2017年

6 吕远飞;决策树在MDS和AA鉴别诊断中的应用[D];华北理工大学;2016年

7 宋健;Logistic回归模型、神经网络模型和决策树模型在肺癌术后心肺并发症预测中的比较[D];安徽医科大学;2014年

8 张艳利;脑梗死出血性转化的发生时间及MRI分型[D];兰州大学;2014年

9 尹俊雄;脑梗死后自发性出血性转化的危险因素及其与预后的相关性研究[D];泸州医学院;2013年

10 唐森;非溶栓性急性脑梗死出血性转化的相关危险因素分析[D];大连医科大学;2013年

本文编号：2838091