基于非参数交叉证实判别分析法建立社区脑膜炎诊断模型

《基于非参数交叉证实判别分析法建立社区脑膜炎诊断模型》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于非参数交叉证实判别分析法建立社区脑膜炎诊断模型【关键词】非参数判别;交叉证实;诊断模型;脑膜炎脑膜炎是由病原体引起的中枢神经系统严重的感染性疾病。由于发病原因复杂，诊断难度大，病程凶险且可造成流行，因此，在亚洲一些地区，流行性脑膜炎是15岁以下的孩子死亡的主要原因之一。流行性脑膜炎在流行强度较大的时候会导致3000～10000人死亡[1]。脑膜炎早期的症状不具有特异性，因此在社区医生水平有限的情况下很难得到重视，而大部分的脑膜炎都是急性的，尤其是流行性脑脊髓膜炎，一旦没有及时诊断，对病人的生命和愈后都会造成很大的影响。因此，建

2、立适合于社区的脑膜炎初筛诊断模型对提高社区卫生服务能力是很有意义的。　　1资料和方法　　1.1资料　　在互联网上系统检索国内信息量最大且有高影响力的《中国期刊全文数据库》(KI)及其新近开发的含有100多万病例的医学数据库《中国典型病例大全》(MedicalCase)，以医学主题词表中的“脑膜炎”为关键词，以“病例报告、病例分析”为副关键词，检索2005年1月～2009年3月的相关临床病例。　　1.1.1脑膜炎病人纳入标准①数据库中有完整症状、体征和实验室检查记录，及临床诊断明确的脑膜炎病例、病案;②年龄≥3周岁;③首次发病或首次

3、因脑膜炎住院的患者;④发病前无肢体瘫痪或脑与脑神经功能障碍等的患者。　　1.1.2对照组病人选择标准①数据库中有完整症状、体征和实验室检查记录及临床诊断明确，并有治疗记录的其他相关的同期非脑膜炎的中枢神经系统病例、病案;②病人≥3周岁且与脑膜炎病例年龄相近。　　1.1.3病例排除标准①患有严重并发症;②患有严重精神疾病、痴呆者;③交叉重复的病案;④多脏器功能衰竭等严重病人;⑤由其他医院转院过来的病人;⑥医院获得性脑膜炎病人(如因手术感染所致)。　　1.1.4质量控制对病例筛选和数据录入进行质量控制：①制定统一标准选择病例;②建立数

4、据库，统一调查项目;③双录入，及时纠错;④注明资料出处，从病例筛选、数据录入、统计分析等各步分别进行核准。　　1.2研究方法　　1.2.1数据挖掘数据挖掘是一个利用各种分析工具在海量数据中发现模型和数据间关系的过程[2]。临床医学上大量的数据中蕴含着丰富的信息。利用数据挖掘技术,通过数据训练集所训练得到的算法模型能够有效应用于疾病诊断,并获得很高的准确率。尤其是临床上大量的数据都还为得到挖掘利用，本研究对《中国期刊全文数据库》和《中国典型病例大全》两个数据库中收集回顾近四年符合纳入标准的161例脑膜炎和161例非脑膜炎患者完整的病

5、例资料进行判别分析研究。　　1.2.2判别分析判别分析是根据已得到的一批分类明确的样品，建立较好的判别函数，使产生错判的事例最少，进而对给定的一个新样品，判断它来自哪个总体。判别分析近年来在自然科学、社会学及经济管理学科中都有广泛的应用。在医学上也已逐步用于疾病的诊断。本研究采用不等带宽核密度估计的非参数逐步判别分析。下面介绍不等带宽核密度估计的非参数判别分析的主要步骤：　　首先建立判别对象x与j类中判别对象Y间的平方距离函数:　　D2(X,Y)=(X-Y)COV-1j(X-Y)　　(X-Y)：对象X与j类中对象Y的各相同指标差值

6、向量;COV-1j(X-Y)：对象X与j类中各对象Y的各相同指标差值的协方差矩阵之逆矩阵。　　其次求出判别函数:　　F(X/j)=n-1jSUiMexp(-5D2(X,Yji/

7、R2)　　D2(X,Yji)：对象X与j类中第i个对象Yji间的平方距离;R2：各指标分别与分类变量间相关系数的平方之均值。　　然后计算后验概率:　　Pr(j/j)=PRIOPjF(X

8、j)/SUkMPRIORkF(X

9、k)　　PRIORk为k类的先验概率。　　最后将判别对象判入后验概率大的类别中[3]。　　1.2.3统计学方法应用SAS9.0软件编程建立

10、非参数判别分析模型，对322例病例组和对照组资料进行判别归类，最后采用交叉验证法来验证判别函数的功效。　　2.2判别分析中训练集和测试集的选择　　训练样本为322例数据中按年龄排序，然后每间隔一例取一例为训练样本，病例组中81例，对照组中80例共161例数据。测试样本为：322例数据中除去161例训练样本剩余的161例数据，其中病例组80例，对照组81例。　　2.3交叉证实结果　　2.3.1本研究采用不等带宽核密度估计的非参数判别分析,对训练样本进行判别分析，采用交叉证实法(Crossvalidation)来检验判别函数所建立的模

11、型的判别效果，可以得到诊断模型的灵敏度为65.4%，特异度为76.3%，阳性预测值为73.6%，阴性预测值为68.5%，调整一致性为71.0%。判别结果见表2。表2判别分析模型诊断模型脑膜炎训练样本　　2.3.2应用判别结果用根据训练样本所建立的判