痰湿体质人群易发代谢综合征的危险因素筛选和诊断模型构建研究

发布时间：2018-05-10 18:22

本文选题：痰湿体质 + 代谢综合征　；参考：《北京中医药大学》2017年硕士论文

【摘要】：背景代谢综合征(metabolic syndrome,MS)是一系列代谢紊乱性疾病组成的临床症候群,主要包括腹型肥胖、高血糖、高血压、高甘油三酯血症和高密度脂蛋白胆固醇偏低。代谢综合征在全球呈流行趋势,并有向年轻化发展的态势。随着我国经济的蓬勃发展、城市化进程加快、人口老龄化等问题加剧,人们的饮食结构、生活方式等都发生了巨大改变,代谢综合征的发病率也随之逐年攀升。代谢综合征对人类健康危害极大,除了多种疾病的同时聚集出现,临床表现复杂多样,给治疗带来巨大挑战外,还会显著提高严重的心脑血管疾病的发病风险。目前,代谢综合征已经成为国内外广为关注的重大公共卫生问题。鉴于代谢综合征对人类健康的巨大危害和根治难度,以及由其带来沉重的个人、家庭和社会医疗负担,提早预防和诊断代谢综合征已经成为研究热点。尽早找到代谢综合征的重要危险因素,有针对性地开展健康管理,以预防其发生,同时在易发病的高危人群中提前诊断筛查,一旦发现及早治疗,对解决代谢综合征这一重大卫生问题具有积极意义。此前的相关研究,多基于整体人群开展,缺乏针对性。本研究基于代谢综合征的高危人群—痰湿体质人群开展,考虑到各种统计模型的优势,联合使用多种数学方法,筛选出痰湿体质人群易发代谢综合征的危险因素,建立多个针对痰湿体质人群易发代谢综合征的诊断模型,为实现代谢综合征的三级预防,即早预防、早诊断、早治疗,提供科学依据和实用工具,也为实现一定意义上的人群精准医疗提供思路和方法。目的通过筛选痰湿体质人群易发代谢综合征的危险因素和构建痰湿体质人群易发代谢综合征的诊断模型,为高危人群的健康管理方案制定和疾病筛查提供科学依据和诊断工具,以实现代谢综合征的及早预防、诊断和治疗。方法1.采用病例对照研究设计,以758例痰湿体质人群为研究对象,对病例组已患代谢综合征的240例和对照组未患代谢综合征的518例进行问卷调查、量表测量、体格测量、实验室生化指标检测。采用EpiData3.1进行数据录入,SAS9.3进行统计分析。应用Logistic回归分析对痰湿体质人群易发代谢综合征的影响因素进行单因素和多因素分析,筛选出有统计学意义(P0.05)的变量,即作为痰湿体质人群易发代谢综合征的危险因素。2.基于上述数据和统计分析结果,采用SAS9.3和Ri386 3.3.2进行模型构建。采用Logistic逐步回归分析、Bayes判别分析、支持向量机三种数学建模方法,选择不需要复杂的临床检查或实验室检查的简单变量,开发痰湿体质人群易发代谢综合征的诊断模型,并根据模型各自特征,使用不同方法对诊断模型的性能进行评价。结果1.研究对象的基本情况本研究纳入758例痰湿体质研究对象,代谢综合征患者240例(占31.66%),非代谢综合征518例(占68.34%),其中男性312例(占41.16%),女性446例(占58.84%),平均年龄42.14±10.50岁。2.痰湿体质人群易发代谢综合征的危险因素筛选单因素Logistic回归分析结果共筛选出33个变量与代谢综合征的发生有关,结果如下:地域、性别、年龄、体质量、体重指数、高血压、腰围、臀围、身体脂肪率、背部皮下脂肪厚度、腹部皮下脂肪厚、空腹血糖、空腹胰岛素、胰岛素抵抗指数、糖化血红蛋白、总胆固醇、低密度脂蛋白胆固醇、甘油三酯、血尿酸、家族肥胖史、家族糖尿病史、家族高血压史、睡前加餐、饮食偏嗜、吸烟、饮酒、睡眠习惯、痰湿体质得分28个变量是痰湿体质人群易发代谢综合征的危险因素;高密度脂蛋白胆固醇、每日进餐次数、饮食定时定量、运动习惯、运动强度5个变量是痰湿体质人群易发代谢综合征的保护因素,差异有统计学意义(P0.05)。多因素Logistic回归分析共筛选出9个变量与代谢综合征的发生有关,结果按影响因素大小排列:高血压(OR=27.96,95%CI:14.22～54.97)、甘油三酯(OR=3.47,95%CI:2.56～4.69)、空腹血糖(OR=1.95,95%CI:1.57～2.43)、家族高血压史(OR=1.88,95%CI:1.08～3.26)、腰围(OR=1.07,95%CI:1.03～1.10)、身体脂肪率(OR=1.05,95%CI:1.02～1.09)、痰湿体质得分(OR=1.04,95%CI:1.00～1.07)7个变量为痰湿体质人群易发代谢综合征的危险因素;每日进餐次数(OR=0.30,95%CI:0.15～0.63)、高密度脂蛋白胆固醇(OR=0.01,95%CI:0.00～0.04)2个变量是痰湿体质人群易发代谢综合征的保护因素,差异有统计学意义(P0.05)。3.痰湿体质人群易发代谢综合征的诊断模型构建进入模型的变量包括:高血压(X9)、腰围(X10)、家族高血压史(X27)、每日进餐次数(X34)、痰湿体质得分(X47)。(1)Logistic回归模型全部数据建模:模型评价:ROC曲线下面积0.8655。全部数据回代,准确率81.53%,灵敏度64.17%,特异度 89.58%。80%数据建模:模型评价:ROC曲线下面积0.8528。20%数据代入,准确率84.11%,灵敏度65.38%,特异度93.94%。(2)Bayes判别分析模型全部数据建模:模型评价:全部数据回代,准确率80.87%,灵敏度65.42%,特异度88.03%。刀切法准确率79.95%,灵敏度63.75%,特异度87.45%。80%数据建模:模型评价:80%数据自身回代,准确率81.05%,灵敏度65.96%,特异度87.83%;刀切法准确率79.41%,灵敏度63.30%,特异度86.63%。20%数据代入,准确率82.12%,灵敏度65.38%,特异度90.91%。(3)支持向量机模型支持向量机模型不输出函数式。模型评价:若基于全部数据建模并自身回代,准确率87.47%,灵敏度79.17%,特异度91.31%;若基于前607例训练集样本数据构建模型,607例数据自身回代,准确率87.97%,灵敏度79.79%,特异度91.65%,未参加计算的151例测试集样本数据代入,准确率80.13%,灵敏度63.46%,特异度88.89%。结论1.高血压、甘油三酯偏高、空腹血糖偏高、家族高血压史、腰围偏大、身体脂肪率偏高、痰湿体质得分偏高为痰湿体质人群发生代谢综合征的危险因素,每日进餐次数增加、高密度脂蛋白胆固醇增高是保护因素。2.通过Logistic回归、Bayes判别分析、支持向量机数学建模,可以实现对痰湿体质人群易发代谢综合征的诊断筛查,构建的模型具有简便价廉、可靠有效、非侵入性的特点。
[Abstract]:Metabolic syndrome ( MS ) is a kind of clinical syndrome of metabolic syndrome , including abdominal obesity , hyperglycemia , hypertension , high triglyceride and high density lipoprotein cholesterol . This study included 758 cases of phlegm - dampness constitution , 240 cases of metabolic syndrome ( 31.66 % ) , female 446 cases ( 58.84 % ) , average age 42.14 卤 10.50 years old . The risk factors of irritable metabolic syndrome in phlegm - dampness constitution were analyzed by multivariate logistic regression analysis ( OR = 1 . 05 , 95 % CI : 1 . 02 - 1 . 09 ) , high density lipoprotein cholesterol ( OR = 1 . 05 , 95 % CI : 1 . 02 - 1 . 09 ) , high density lipoprotein cholesterol ( OR = 0 . 01 , 95 % CI : 1.00 - 1.07 ) , high density lipoprotein cholesterol ( OR = 1.04 , 95 % CI : 1.00 - 1.07 ) , high density lipoprotein cholesterol ( OR = 1.04 , 95 % CI : 1.00 - 1.07 ) , high - density lipoprotein cholesterol ( OR = 1.04 , 95 % CI : 1.00 - 1.07 ) , and high - density lipoprotein cholesterol ( OR = 1.04 , 95 % CI : 1.00 - 1.07 ) . ( 2 ) Bayes discriminant analysis model all data modeling : model evaluation : all data generations , accuracy rate 80.87 % , sensitivity 65.42 % , specificity 88.03 % . Knife - cutting method accuracy 79.95 % , sensitivity 63.75 % , specificity 87.45 % . 80 % data modeling : model evaluation : 80 % data self - return , accuracy rate 81.05 % , sensitivity 63.30 % , specificity 86.63 % . 20 % data substitution , accuracy 82.12 % , sensitivity 65.38 % , specificity 90.91 % . ( 3 ) The model of support vector machine model support vector machine model is not output function . The model evaluates : if the model is built based on all data , the accuracy is 87.47 % , the sensitivity is 79.17 % , the specificity is 91.31 % ; the accuracy rate is 80.13 % , the sensitivity is 63.46 % , the specificity is 88.89 % .

【学位授予单位】：北京中医药大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：R259

【参考文献】