钢铁工人颈动脉粥样硬化发病风险预测研究
发布时间：2021-10-21 11:34
目的调查钢铁工人颈动脉粥样硬化（Carotid Atherosclerosis,CAS）现况。通过构建钢铁工人CAS的logistic回归、随机森林、BP神经网络及支持向量机预测模型,评价预测效果,筛选最优模型实现钢铁工人CAS的风险预测。方法采取现况研究的方法,选取2017年3-6月在唐山弘慈医院体检的在岗钢铁工人（从事钢铁作业时长≥1年）为研究对象。所有工人经体格、血生化、血常规、尿常规及颈动脉彩色多普勒超声检查及问卷调查。制定统一的定义或诊断标准判断工人各项指标的情况。根据是否检出CAS分成CAS组（CAS）与非CAS组（non-CAS）。计数资料的比较采用x2检验或fisher确切概率法,正态计量资料的比较采用t检验或Z检验;非正态计量资料的比较采用非参数检验。采用非条件二元logistic回归分析CAS的预测因素,结合logistic回归分析、文献综述及专家咨询的结果确定输入变量,以CAS为目标变量分别建立logistic回归、BP神经网络、随机森林和支持向量机预测模型对钢铁工人CAS进行预测。通过灵敏度、特异度等若干指标评价筛选最优模型。结果1.共45...
【文章来源】：华北理工大学河北省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
logistic回归模型预测变量重要性排序
表 12 BP 神经网络模型测试集样本的分类结果[n（%）]预测值观测值合计 灵敏度(%) 特异度(%)CAS non-CASCAS 278 (34.28) 47 (5.80) 325 (40.08)152 (18.74) 334 (41.18) 486 (59.92)64.65 87.66non-CAS合计 430 (53.02) 381 (46.98) 811 (100.00)BP 神经网络模型对预测变量的重要性排序，从最重要到最不重要，依次为BMI、CAS 家族史、倒班、睡眠障碍、年龄、高胆固醇、低 HDL-C、吸烟。高血压及高同型半胱氨酸（图 2）。
-17-为98.87%，约登指数为0.72，阳性似然比为65.01，阴性似然比为0.72，AUC为0.86（0.85,0.88）。可靠性方面：符合率为86.60%，Kappa值为0.73。预测值方面：阳性预测值为98.40%，阴性预测值为79.87%（表14）。表14随机森林模型训练集样本的分类结果[n（%）]预测值观测值合计灵敏度(%)特异度(%)CASnon-CASCAS614(35.76)10(0.58)624(36.34)220(12.81)873(50.85)1093(63.66)73.6298.87non-CAS合计834(48.57)883(51.43)1717(100.00)随机森林模型测试集预测效果评价：真实性方面：灵敏度为60.00%，特异度为88.45%，约登指数为0.48，阳性似然比为5.20，阴性似然比为0.45，AUC为0.74（0.71,0.77）。可靠性方面：符合率为73.37%，Kappa值为0.48。预测值方面：阳性预测值为85.43%，阴性预测值为66.21%（表15）。表15随机森林模型测试集样本的分类结果[n（%）]预测值观测值合计灵敏度(%)特异度(%)CASnon-CASCAS258(31.81)44(5.43)302(37.24)172(21.21)337(41.55)509(62.76)60.0088.45non-CAS合计430(53.02)381(46.98)811(100.00)随机森林模型对预测变量的重要性排序，从最重要到最不重要，依次为BMI、年龄、睡眠障碍、吸烟、倒班、饮酒、噪声、高温、高甘油三脂、高血压（图3）。图3随机森林模型预测变量重要性排序
【参考文献】：
期刊论文
[1]《中国心血管病报告2018》概要[J]. 胡盛寿,高润霖,刘力生,朱曼璐,王文,王拥军,吴兆苏,李惠君,顾东风,杨跃进,郑哲,陈伟伟. 中国循环杂志. 2019(03)
[2]中国高血压防治指南（2018年修订版）[J]. Writing Group of 2018 Chinese Guidelines for the Management of Hypertension, Chinese Hypertension League, Chinese Society of Cardiology, Chinese Medical Doctor Association Hypertension Committee, Hypertension Branch of China International Exchange and Promotive Association for Medical and Health Care, Hypertension Branch of Chinese Geriatric Medical Association;. 中国心血管杂志. 2019(01)
[3]钢铁工人累积噪声暴露量对颈动脉内膜中膜厚度影响[J]. 马崇淇,廖雅静,秦真威,苏亚娇,王海涛,范红敏. 中国职业医学. 2019(01)
[4]小而密低密度脂蛋白胆固醇在心脑血管系统相关疾病中的意义[J]. 王胜奎,周俊. 检验医学. 2019(01)
[5]高血压病与BMI及颈动脉粥样硬化斑块相关性分析[J]. 吴桂玲,陈爱莲,李勤英. 临床心身疾病杂志. 2018 (06)
[6]随机森林和支持向量机在利用超声影像特征信息诊断乳腺病变性质的应用价值探索[J]. 赵子龙,何英剑,欧阳涛,姚晨. 中国卫生统计. 2018(05)
[7]高温作业工人颈动脉粥样硬化病变调查[J]. 钟皓成,陈静,周银姬,诸贤含,余美娟,邵玉仙. 预防医学. 2018(02)
[8]基于随机森林算法和Logistic回归模型的糖尿病风险因素研究[J]. 肖辉,郝元涛,徐晓,朱晓宇. 中国数字医学. 2018(01)
[9]昼夜节律紊乱促进肺部肿瘤发生[J]. 李伟. 中国病理生理杂志. 2017(02)
[10]不同酒种对血清Hcy及颈动脉粥样硬化的影响[J]. 谢华宁,郭宏. 中国医药导报. 2016(20)
博士论文
[1]激动β3肾上腺素受体对动脉粥样硬化的影响[D]. 王兆宏.首都医科大学 2013
[2]长风社区中老年人群动脉粥样硬化及相关因素分析[D]. 马慧.复旦大学 2012
[3]颈动脉粥样硬化的流行病学调查及临床研究[D]. 张东平.重庆医科大学 2009
硕士论文
[1]基于随机森林和支持向量机的糖尿病风险预测方法研究[D]. 缪琦.江苏大学 2019
[2]肝胆手术手术部位感染风险预测模型的构建[D]. 刘欣.石河子大学 2017
[3]某钢铁集团工人主要职业有害因素与2型糖尿病的关系研究[D]. 车崇亮.华北理工大学 2017
[4]基于随机森林法的严重脓毒症/脓毒性休克预后评估模型研究[D]. 汪洋.浙江中医药大学 2017
[5]基于体检数据的慢性疾病风险预测研究[D]. 谭恒.郑州大学 2016
[6]基于遗传BP神经网络的二维PSD非线性校正研究[D]. 李倩.山东理工大学 2016
[7]长沙地区心血管高危患者颈动脉粥样硬化及其危险因素的调查和研究[D]. 张玲玲.南华大学 2015
[8]慢性丙型肝炎血清内脂素水平与颈动脉内膜中层厚度的相关性[D]. 刘英姣.河北医科大学 2015
[9]缺血性脑血管病患者颈部动脉多层螺旋CT表现及其预测价值研究[D]. 周鹏.山东大学 2014
[10]颈动脉粥样硬化的危险因素分析[D]. 李鸣明.兰州大学 2012
本文编号：3448896
【文章来源】：华北理工大学河北省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
logistic回归模型预测变量重要性排序
表 12 BP 神经网络模型测试集样本的分类结果[n（%）]预测值观测值合计 灵敏度(%) 特异度(%)CAS non-CASCAS 278 (34.28) 47 (5.80) 325 (40.08)152 (18.74) 334 (41.18) 486 (59.92)64.65 87.66non-CAS合计 430 (53.02) 381 (46.98) 811 (100.00)BP 神经网络模型对预测变量的重要性排序，从最重要到最不重要，依次为BMI、CAS 家族史、倒班、睡眠障碍、年龄、高胆固醇、低 HDL-C、吸烟。高血压及高同型半胱氨酸（图 2）。
-17-为98.87%，约登指数为0.72，阳性似然比为65.01，阴性似然比为0.72，AUC为0.86（0.85,0.88）。可靠性方面：符合率为86.60%，Kappa值为0.73。预测值方面：阳性预测值为98.40%，阴性预测值为79.87%（表14）。表14随机森林模型训练集样本的分类结果[n（%）]预测值观测值合计灵敏度(%)特异度(%)CASnon-CASCAS614(35.76)10(0.58)624(36.34)220(12.81)873(50.85)1093(63.66)73.6298.87non-CAS合计834(48.57)883(51.43)1717(100.00)随机森林模型测试集预测效果评价：真实性方面：灵敏度为60.00%，特异度为88.45%，约登指数为0.48，阳性似然比为5.20，阴性似然比为0.45，AUC为0.74（0.71,0.77）。可靠性方面：符合率为73.37%，Kappa值为0.48。预测值方面：阳性预测值为85.43%，阴性预测值为66.21%（表15）。表15随机森林模型测试集样本的分类结果[n（%）]预测值观测值合计灵敏度(%)特异度(%)CASnon-CASCAS258(31.81)44(5.43)302(37.24)172(21.21)337(41.55)509(62.76)60.0088.45non-CAS合计430(53.02)381(46.98)811(100.00)随机森林模型对预测变量的重要性排序，从最重要到最不重要，依次为BMI、年龄、睡眠障碍、吸烟、倒班、饮酒、噪声、高温、高甘油三脂、高血压（图3）。图3随机森林模型预测变量重要性排序
【参考文献】：
期刊论文
[1]《中国心血管病报告2018》概要[J]. 胡盛寿,高润霖,刘力生,朱曼璐,王文,王拥军,吴兆苏,李惠君,顾东风,杨跃进,郑哲,陈伟伟. 中国循环杂志. 2019(03)
[2]中国高血压防治指南（2018年修订版）[J]. Writing Group of 2018 Chinese Guidelines for the Management of Hypertension, Chinese Hypertension League, Chinese Society of Cardiology, Chinese Medical Doctor Association Hypertension Committee, Hypertension Branch of China International Exchange and Promotive Association for Medical and Health Care, Hypertension Branch of Chinese Geriatric Medical Association;. 中国心血管杂志. 2019(01)
[3]钢铁工人累积噪声暴露量对颈动脉内膜中膜厚度影响[J]. 马崇淇,廖雅静,秦真威,苏亚娇,王海涛,范红敏. 中国职业医学. 2019(01)
[4]小而密低密度脂蛋白胆固醇在心脑血管系统相关疾病中的意义[J]. 王胜奎,周俊. 检验医学. 2019(01)
[5]高血压病与BMI及颈动脉粥样硬化斑块相关性分析[J]. 吴桂玲,陈爱莲,李勤英. 临床心身疾病杂志. 2018 (06)
[6]随机森林和支持向量机在利用超声影像特征信息诊断乳腺病变性质的应用价值探索[J]. 赵子龙,何英剑,欧阳涛,姚晨. 中国卫生统计. 2018(05)
[7]高温作业工人颈动脉粥样硬化病变调查[J]. 钟皓成,陈静,周银姬,诸贤含,余美娟,邵玉仙. 预防医学. 2018(02)
[8]基于随机森林算法和Logistic回归模型的糖尿病风险因素研究[J]. 肖辉,郝元涛,徐晓,朱晓宇. 中国数字医学. 2018(01)
[9]昼夜节律紊乱促进肺部肿瘤发生[J]. 李伟. 中国病理生理杂志. 2017(02)
[10]不同酒种对血清Hcy及颈动脉粥样硬化的影响[J]. 谢华宁,郭宏. 中国医药导报. 2016(20)
博士论文
[1]激动β3肾上腺素受体对动脉粥样硬化的影响[D]. 王兆宏.首都医科大学 2013
[2]长风社区中老年人群动脉粥样硬化及相关因素分析[D]. 马慧.复旦大学 2012
[3]颈动脉粥样硬化的流行病学调查及临床研究[D]. 张东平.重庆医科大学 2009
硕士论文
[1]基于随机森林和支持向量机的糖尿病风险预测方法研究[D]. 缪琦.江苏大学 2019
[2]肝胆手术手术部位感染风险预测模型的构建[D]. 刘欣.石河子大学 2017
[3]某钢铁集团工人主要职业有害因素与2型糖尿病的关系研究[D]. 车崇亮.华北理工大学 2017
[4]基于随机森林法的严重脓毒症/脓毒性休克预后评估模型研究[D]. 汪洋.浙江中医药大学 2017
[5]基于体检数据的慢性疾病风险预测研究[D]. 谭恒.郑州大学 2016
[6]基于遗传BP神经网络的二维PSD非线性校正研究[D]. 李倩.山东理工大学 2016
[7]长沙地区心血管高危患者颈动脉粥样硬化及其危险因素的调查和研究[D]. 张玲玲.南华大学 2015
[8]慢性丙型肝炎血清内脂素水平与颈动脉内膜中层厚度的相关性[D]. 刘英姣.河北医科大学 2015
[9]缺血性脑血管病患者颈部动脉多层螺旋CT表现及其预测价值研究[D]. 周鹏.山东大学 2014
[10]颈动脉粥样硬化的危险因素分析[D]. 李鸣明.兰州大学 2012
本文编号：3448896
本文链接：https://www.wllwen.com/yixuelunwen/yufangyixuelunwen/3448896.html
