论文部分内容阅读
目的构建川崎病(Kawasaki Disease,KD)急性期并发冠状动脉损伤(Coronary Artery Lesion,CAL)的预测模型和认知图(Cognitive Map,CM),对临床上该领域研究方法进行探讨。方法通过查阅PubMed、Web of Science、EBSCCO、中国知网、万方、维普等数据库,提取既往研究中KD并发CAL危险因素的生物学指标,同时在数据库中提取KD患儿入院后第一次生化检查指标,删除缺失率超过5%的指标后对数据进行处理,采用B-P神经网络(Back Propagation Artificial Neural Network,BPANK)建立的预测模型来确定各指标广义权重(Generalize Weight,GW),利用贝叶斯网络(Bayesian Network,BN)挖掘各生物学指标与CAL的关系,结合GW确定在BPANN预测模型中与KD并发CAL有关的主要危险因素和各个因素间的关联强度,最后构建KD并发CAL的CM。结果BPANN预测模型结果显示训练集的分类一致率为94.64%,灵敏度为63.76%,特异度为99.85%;测试集分类一致率为94.63%,灵敏度为53.45%,特异度为99.59%。GW散点图中红细胞、白细胞在整个模型中的权重接近于0;BN模型结果显示红细胞、白细胞计数与CAL独立,其余各个节点间存在7条关系,分别为年龄与红细胞压积,年龄与中性粒细胞百分比,血红蛋白与CAL,红细胞压积与血红蛋白,CAL与中性粒细胞百分比,血小板计数与中性粒细胞百分比,中性粒细胞百分比与C-反应蛋白。结论根据患儿入院后第一次生化检查数据,采用BPANN方法建立KD患儿并发CAL的预测模型,提高了预测精度,对临床早期识别并发CAL的高危患儿具有参考意义。结合BN结果,构建年龄、血小板计数、红细胞压积、血红蛋白、C-反应蛋白、中性粒细胞百分比与CAL之间的CM,直观的显示了各指标间的关联关系及关联强度,对临床该领域研究方法进行了探讨。但由于BPANN模型灵敏度较低,还需纳入更多非生化指标因素,并与炎症、免疫相关疾病对照,结合数据挖掘的方法进一步研究。