论文部分内容阅读
目的:痰湿体质人群是代谢综合征（metabolic syndrome,MS）的危险人群,对未患MS痰湿体质人群进行健康管理是预防MS的新视角。本研究应用病例对照研究,对痰湿体质成年女性人群采集其MS相关危险因素信息,用logistic回归法筛选该人群的MS危险因素;并建立适用于该人群使用的MS风险预测模型,为痰湿体质成年女性者提供发生MS的预警工具,并针对相关的危险因素进行个体化的健康管理,从而实现防止或延缓该人群发生MS的目标。方法:1.采用病例对照研究方法选取痰湿体质成年女性志愿者共446名进行问卷调查和体格检查,应用SPSS 26.0统计软件及Stata 15.0对相关数据进行统计分析。用二元Logistic回归分析进行MS相关因素的单因素和多因素分析筛选出有统计学意义（P<0.05）的变量,即作为痰湿体质成年女性人群易发代谢综合征的危险因素。并建立痰湿体质成年女性人群易发代谢综合征的预警模型。2.采用病例对照研究方法选取痰湿体质成年女性志愿者共446名进行问卷调查和体格检查,将数据进行预处理,用python作为编程语言,JetBrains PyCharm作为编程软件,将所有处理后数据变量进行训练,经过算法改进和危险因素筛选,使用sklearn库的LogisticRegression逻辑回归算法和随机梯度下降算法构建痰湿体质成年女性代谢综合征预警模型。3.做出智能诊断辅助系统架构设计,其中包含模型训练和用户界面两部分工作。然后将数据进行预处理,运用机器学习中的逻辑回归算法,对预测模型进行训练,使用python作为程序语言,pycharm作为IDE（集成开发环境）,运用sklean库的逻辑回归构建神经网络预测模型。运用梯度上升算法对权重和截距参数进行拟合。调用模型训练完成后的参数:权重和截距,再运用QT软件制作用户界面。结果:1.单因素Logistic回归分析结果表明:年龄、BMI、高血压、腰围、臀围、腰臀比、体脂率、空腹血糖、甘油三酯、糖尿病家族史、高血压家族史、饮酒量、生活工作压力、睡眠习惯与MS的关系差异有统计学意义（P<0.05）。等多因素Logistic回归分析结果表明:腰臀比（OR=1.128）、高血压（OR=1.068）、高密度脂蛋白（OR=9.219）、体脂率（OR=2.868）,肥胖家族史（OR=25.211）、进餐次数（OR=0.298）是痰湿体质成年女性MS的重要危险因素。最终得到女性痰湿体质人群依法代谢综合征的预警模型为P=1/（1+exp（-（β0+β1X1+β2X2+β3X3+βnXn）））,模型评价ROC曲线下面积AUC=0.98,表明该模型预期值与实际值具有一致性,具有较高准确度及特异度。2.应用人工智能模型算法使用python作为编程语言,JetBrains PyChram作为编程软件,运用逻辑回归和梯度上升算法来构建痰湿体质成年女性易发代谢综合征预测模型:将39个因素作为输入变量,将是否为代谢综合征作为输出变量,得到准确率为78.02%。使用sklearn库的LogisticRegression逻辑回归算法和随机梯度下降算法重构模型,输入、输出变量不变,得到预测准确率90.42%。通过数据对比,筛选出对模型结果影响度较高的非实验室检测因素作为输入变量,是否为代谢综合征作为输出变量得到预测准确率84.67%,准确度下降5.75%,针对准确度下降的5.75%的影响因素进行分析证明高血压、甘油三酯是代谢综合征的影响较大的因素。将高血压、甘油三酯、BMI、腰围、臀围、腰臀比、上臂、身体脂肪百分比、空腹血糖、总胆固醇、家族糖尿病、家族高血压、家族高血脂、家族肥胖、家族痛风、家族心脏病、家族脑血管病、家族过敏性疾病、进餐次数、睡前加餐、饮食定时定量、饮食种类、抽烟量（支/日）、饮酒量（ml/天）、睡眠习惯、睡眠质量、工作生活压力强度、是否运动作为模型输入变量,以是否为MS作为模型输出变量,得到预测准确率89.12%。该模型对痰湿体质成年女性MS预警有重要意义。结论:1.痰湿体质成年女性人群易发MS与高血压、腰臀比、体脂率、血脂异常、肥胖家族史、进餐次数等危险因素相关,应针对相关危险因素采取预防控制措施,以调整体质、减少成年女性MS发病率。2.通过机器学习可以将痰湿体质成年女性人群MS危险因素中复杂的关系模型化,通过数据量积累与训练能够提高模型预测准确性,可以实现对该人群易发MS的预警,并且辅助临床诊疗。3.根据研究一、研究二的研究成果,选择出了成年女性痰湿体质易患代谢综合征的危险因素中的其中便于测量和获得的变量,选用前面研究中运用的基于机器学习的逻辑回归模型进行智能诊断辅助系统的模型设计。