论文部分内容阅读
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。