检索结果-内蒙古大学图书馆

中华流行病学杂志 2024年第10期45卷 1433-1440页

作者：朱晨旭宋雨昕郝元涛陈峰魏永越南京医科大学公共卫生学院生物统计学系南京211166 北京大学公众健康与重大疫情防控战略研究中心北京100191 北京大学公共卫生学院流行病与卫生统计学系北京100191 重大疾病流行病学教育部重点实验室(北京大学) 北京100191

疾病风险预测模型是精准预防的基础,也是临床诊疗决策的重要参考依据。风险预测模型的开发需要大量高质量数据的支持,大型人群队列研究是其重要的基础。英国生物银行(UKB)作为大型人群队列和生物样本库,其丰富的基线和随访数据以及向全... 详细信息

疾病风险预测模型是精准预防的基础,也是临床诊疗决策的重要参考依据。风险预测模型的开发需要大量高质量数据的支持,大型人群队列研究是其重要的基础。英国生物银行(UKB)作为大型人群队列和生物样本库,其丰富的基线和随访数据以及向全球共享的理念和机制,在疾病病因探索和疾病防控相关研究领域有重要的作用。本研究遵循PRISMA规范,纳入了210篇文献,其通讯作者来自18个国家,其中有58篇(27.62%)来自英国。提取针对癌症、心脑血管疾病、内分泌营养代谢疾病、呼吸系统疾病、其他疾病及其亚组人群的491个疾病风险预测模型,其中UKB开发-无验证132个、UKB开发-内部验证183个、UKB开发-外部验证17个、外部开发-UKB验证159个。仅采用宏观变量的模型共188个(38.29%),宏观与微观变量相结合的模型共303个(61.71%)。模型构建方法包括生存结局模型、logistic回归、机器学习,生存结局模型中以Cox比例风险回归模型为主,少量模型考虑了竞争风险、加速失效模型或不同的基线风险函数。机器学习模型采用了随机森林、极限梯度提升法、分类提升算法、支持向量机和卷积神经网络等方法。UKB为多种疾病风险预测模型研究提供了重要资源。

关键词：大型人群队列疾病风险预测模型英国生物银行数据共享

来源：评论

学校读者我要写书评

暂无评论

基于LASSO的整合临床和组学特征构建疾病风险预测模型的方法比较及应用

基于LASSO的整合临床和组学特征构建疾病风险预测模型的方法比较...

引用

作者：张慧芳山西医科大学

学位级别：硕士

目的:通过模拟和实例研究对四种基于LASSO的可用于整合临床和组学特征构建疾病风险预测模型的方法——Naive-LASSO法,Separate-LASSO法,IPF-LASSO法和Priority-LASSO法的性质进行探讨和比较,为临床建立疾病风险预测模型提供建议。方法:... 详细信息

目的:通过模拟和实例研究对四种基于LASSO的可用于整合临床和组学特征构建疾病风险预测模型的方法——Naive-LASSO法,Separate-LASSO法,IPF-LASSO法和Priority-LASSO法的性质进行探讨和比较,为临床建立疾病风险预测模型提供建议。方法:首先,介绍Naive-LASSO法,Separate-LASSO法,IPF-LASSO法和Priority-LASSO法的原理。其次,模拟产生六种稀疏性和变量强度不同的临床和组学数据,并通过改变协方差矩阵改变各数据内部以及它们之间的相关关系,本研究考虑以下三种相关关系:(1)临床数据和组学数据内的变量相互独立,两数据间不相关,协方差矩阵设为单位矩阵;(2)临床数据和组学数据内的变量呈复合对称相关,两数据间不相关,协方差矩阵设为块对角矩阵;(3)临床数据和组学数据内的变量相关,两数据间也相关,协方差矩阵设置更复杂。通过以上操作共形成18种模拟场景,然后使用上述四种方法针对各模拟场景建立预测模型,并通过AUC、Brier score和变量筛选个数对四种方法在不同模拟场景中的表现进行比较。最后,分别用这四种方法对弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)患者的临床和lncRNA表达数据进行分析,建立新的DLBCL预后评价系统,按照模拟研究的评价标准对各方法在实例中的表现进行评估。结果:模拟研究显示,无论在哪一种模拟场景下,四种方法中均是IPF-LASSO法和Priority-LASSO法表现最好,Separate-LASSO法所筛变量数最多。其中IPF-LASSO法的预测准确性比Priority-LASSO法还要好一些,它的AUC值总高于Priority-LASSO法,Brier score低于Priority-LASSO法。而且四种方法在满足后两种相关关系的数据中的预测准确性要高于它们在完全独立的数据中的预测准确性。但无论临床和组学数据满足何种相关关系,当临床数据的稀疏性和变量强度一定时,组学数据的稀疏性和变量强度的变化对四种方法的预测表现的影响均不大,但当组学数据的稀疏性和变量强度一定时,临床数据的稀疏性和变量强度的变化对四种方法的预测表现的影响均较大。实例研究结果和模拟结果一致,也是IPF-LASSO法和Priority-LASSO法所建的DLBCL预后模型的预测准确性较高,且包含的变量个数较少。而且二者有7个变量是相同的。结论:Naive-LASSO,Separate-LASSO,IPF-LASSO和Priority-LASSO四种方法相比,IPF-LASSO法和Priority-LASSO法所筛变量个数较少,它们构建的疾病风险预测模型通常具有较高的预测准确性和临床实用价值。因此在整合临床和组学数据建立疾病风险预测模型时,可以优先考虑使用这两种方法。

关键词： LASSO 临床数据组学数据疾病风险预测模型弥漫大B细胞淋巴瘤

来源：评论

学校读者我要写书评

暂无评论

基于CiteSpace分析国内老年人群疾病风险预测模型研究热点及趋势

引用

湖南中医杂志 2024年第7期40卷 117-122页

作者：王灿陈燕刘尚谷城锋梁百慧方森陈星月龙紫琼湖南中医药大学湖南长沙410208 湖南省中医药研究院湖南长沙410013 湖南省中西医结合医院湖南长沙410006

目的:基于CiteSpace分析国内近20年来有关老年人群疾病风险预测模型的研究现状和热点。方法:检索2000年1月1日至2023年9月24日中国知网(CNKI)收录的老年人群疾病风险预测模型的相关文献,采用CiteSpace软件绘制可视化图谱,分析作者、机... 详细信息

目的:基于CiteSpace分析国内近20年来有关老年人群疾病风险预测模型的研究现状和热点。方法:检索2000年1月1日至2023年9月24日中国知网(CNKI)收录的老年人群疾病风险预测模型的相关文献,采用CiteSpace软件绘制可视化图谱,分析作者、机构之间的合作关系情况,并对关键词进行共现、聚类和突现词分析。结果:共检索到1699篇相关文献,发文量总体呈上升趋势;发文量最多的作者是王静(7篇),解放军总医院是发文量最多的机构(20篇),作者和机构之间合作较少;关键词分析显示,跌倒风险、护理、骨折风险是目前研究较多的领域,其他领域涉及较少。总结:老年人群相关疾病风险预测目前正处于发展期,应不断去探究新的研究点,完善对多种老年疾病的预测,加强作者以及机构之间的联系,促进该研究领域更加系统化、规范化、科学化,推动健康老龄化发展。

关键词：老年人疾病风险预测模型 CiteSpace 可视化分析

来源：评论

学校读者我要写书评

暂无评论

老年髋部骨折患者术后谵妄风险预测模型的构建及验证

老年髋部骨折患者术后谵妄风险预测模型的构建及验证

引用

作者：王天沛陕西中医药大学

学位级别：硕士

目的:本研究旨在了解老年髋部骨折患者术后谵妄的现状,分析老年髋部骨折患者术后谵妄的独立预测因素,构建并验证老年髋部骨折患者术后谵妄风险预测模型,为术后谵妄高危患者识别、预测及制定相关的预防措施提供参考依据。方法:1.老年髋... 详细信息

目的:本研究旨在了解老年髋部骨折患者术后谵妄的现状,分析老年髋部骨折患者术后谵妄的独立预测因素,构建并验证老年髋部骨折患者术后谵妄风险预测模型,为术后谵妄高危患者识别、预测及制定相关的预防措施提供参考依据。方法:1.老年髋部骨折患者术后谵妄的现状采用病例对照的研究方法,收集西安市中心医院骨科2016年12月至2020年7月的老年髋部骨折患者的临床数据作为模型训练集,以谵妄评估量表（The Confusion Assessment Method,CAM）为指导基础,通过对患者的临床数据进行评估和分组,将其分为谵妄组和非谵妄组,得出谵妄的发生率。2.老年髋部骨折患者术后谵妄的相关因素分析使用“髋部骨折”、“老年人”、“谵妄”、“手术”、“因素”、“相关因素”“危险因素”“hip fracture”、“elderly”、“delirium”、“surgical”“factor”“relevant factor”“correlative factor”“risk factor”等作为关键词,在Pub Med、Cochrane Library、Web of Science、中国知网、万方等数据库进行患者术后谵妄的相关因素的检索,以文献中的因素为参考,结合病历中已有的临床数据制成老年髋部骨折患者相关资料收集表。使用此表对模型训练集患者谵妄的临床数据如:患者的一般资料（年龄、性别、身体质量指数、骨折类型、合并症）、患者的术前资料（术前电解质指标,红细胞计数、白蛋白计数等）及患者的术中资料（如:手术方式、麻醉方式、美国麻醉医师协会分级、手术及麻醉持续时间、术中是否出现低血压及术中是否输血等）等进行收集,随后进行单因素分析,得到老年髋部骨折患者术后谵妄风险相关因素,将单因素分析的结果带入多因素logistic回归中筛选出可预测术后谵妄的独立因素。3.模型构建及可视化根据回归系数结合多因素logistic回归得到的独立预测因素构建老年髋部骨折患者术后谵妄风险预测模型,随后使用R语言的rms包对老年髋部骨折患者术后谵妄模型进行可视化。4.模型评价和验证通过模型的校准度和灵敏度对模型进行评价,校准度使用校准曲线以及Hosmer-Lemeshow拟合优度检验进行评价,灵敏度通过受试者工作特征曲线（Receiver Operating Characteristic Curve,ROC）下面积（Area Under Curve,AUC）进行评价。在对模型进行验证时,采用Bootstrap对训练集中的数据重复抽样1 000次进行模型的内部验证;外部验证则通过再次收集2020年8月至2021年1月西安市中心医院内经纳入和排除标准后的老年髋部骨折患者的临床数据,作为模型的外部验证集对模型进行外部验证。结果:1.本研究共收集西安市中心医院2016年12月至2021年1月经纳入排除标准后的老年髋部骨折患者共393例,其中包括模型训练集的研究对象333例,其中45例谵妄样本,谵妄发生率为13.51%;外部验证集的研究对象60例,其中10例谵妄样本,谵妄发生率为16.67%。2.通过文献查阅结合临床病历的数据,本研究共纳入25个谵妄相关临床变量,随后首先对对模型训练集的临床数据进行收集,进行的单因素分析结果表明,谵妄组和非谵妄组患者在慢性阻塞性肺疾病（P=0.03）、痴呆（P<0.01）、术前白蛋白水平（P=0.02）、术中低血压（P=0.001）、ASA分级（P=0.041）此四项研究变量间的差异存在统计学意义,而在其他变量之间的差异无统计学意义;多因素logistic回归结果显示以下三个变量:痴呆（OR=4.04,95%CI:1.37～11.94）,术前白蛋白水平（OR=0.76,95%CI:0.69～0.83）,术中低血压（OR=4.14,95%CI:1.79～9.55）为老年髋部骨折患者术后谵妄的独立因素。3.基于以上独立因素并结合回归系数,构建出的模型公式为Z=1.396x是否痴呆-0.275x术前白蛋白水平+1.420x是否术中低血压+6.875,最后通过R语言的rms包对该模型进行可视化,绘制出老年髋部骨折患者术后谵妄的风险列线图。4.对模型进行评价时,模型校准图的斜率为1,Hosmer-Lemeshow拟合优度检验显示模型的χ2为12.657,P值为0.124。通过ROC曲线显示,模型的截断值为0.235,特异度为0.875,灵敏度为0.622。临床决策曲线表明模型在预测术后谵妄时,其最大净获益值阈值概率区间约在5%～90%之间。通过Bootstrap在训练集中重复抽样1000次对模型进行了内部验证,得到的AUC为0.831。外部验证时外部验证集中模型校准图为1.066,接近1,Hosmer-Lemeshow拟合优度检验表明验证集中模型的χ2为5.136

关键词：髋部骨折术后谵妄疾病风险预测模型

来源：评论

学校读者我要写书评

暂无评论

万古霉素致急性肾损伤的风险预测模型研究

万古霉素致急性肾损伤的风险预测模型研究

引用

作者：李典坷中南大学

学位级别：硕士

研究背景和目的:万古霉素是一种适用于耐甲氧西林金黄色葡萄球菌及其他细菌所致感染的药物,但万古霉素导致的急性肾损伤（Vancomycin-Associated Acute Kidney Injury,VA-AKI）这一不良反应不容忽视。本课题旨在开发适用于中国人群的VA-... 详细信息

研究背景和目的:万古霉素是一种适用于耐甲氧西林金黄色葡萄球菌及其他细菌所致感染的药物,但万古霉素导致的急性肾损伤（Vancomycin-Associated Acute Kidney Injury,VA-AKI）这一不良反应不容忽视。本课题旨在开发适用于中国人群的VA-AKI风险预测模型,为临床识别和管理VA-AKI高风险人群提供依据,进而降低VA-AKI的发生率,提高用药安全水平。方法:1、本研究纳入了某医院549名（全队列）使用万古霉素的患者,获取了相关诊疗数据,按照7:3随机将患者分为开发队列（n=385）和验证队列（n=164）。采用单因素分析筛选变量,再应用Logistic回归法建立VA-AKI风险预测模型,采用校准图、Hosmer-Lemeshow拟合优度检验、Brier评分方法来验证模型的校准度,采用灵敏度（SE）、特异性（SP）、准确率（Accuracy,ACC）、马修斯相关系数（MCC）、受试者工作特征曲线下面积（the area under the receiver operating characteristic curve,AUC）评估模型的区分度。 2、将新建模型、文献报道的Xu模型、Imai模型和万古霉素谷浓度(Cmin)在验证队列和全队列进行验证和对比。采用校准图、Brier评分、Hosmer-Lemeshow拟合优度检验方法来验证模型的校准度;采用SE、SP、ACC、MCC、AUC来评估模型的区分度;采用决策曲线分析（Decision Curve Analysis,DCA）评估模型的临床获益。最后,综合上述指标选出预测精度最高的模型。结果:1、本研究中VA-AKI的发病率为17.49%,结果显示万古霉素谷浓度、血清肌酐和呋塞米是VA-AKI的独立危险因素,基于以上3个变量采用Logistic回归方法建立了VA-AKI的风险预测模型。在开发队列中,模型的AUC为0.751,灵敏度为63.33%,特异度为78.15%,准确率为75.84%,马修斯相关系数为0.33,Hosmer-Lemeshow拟合优度检验P=0.6168,Brier评分为0.1142;验证队列中AUC为0.794,灵敏度为66.67%,特异度为85.16%,准确率为81.10%,马修斯相关系数为0.49,Hosmer-Lemeshow拟合优度检验P=0.2560,Brier评分为0.1344。新建模型在开发组和验证组都有良好的校准度和区分度。我们进一步将模型转化为列线图便于临床应用。 2、在校准度方面:在全队列和验证队列中,Hosmer-Lemeshow拟合优度检验结果显示,Xu模型P<0.05,这提示Xu模型预测值与实际观测值之间存在一定差距,校准图、Hosmer-Lemeshow拟合优度检验、Brier评分显示新建模型、Imai模型和Cmin均表现出良好的拟合。在区分度方面:在全队列中,新建模型、Xu模型、Imai模型和Cmin的AUC分别为0.766、0.733、0.694和0.701,ACC分别为76.50%、66.48%、52.64%和73.59%,AUC、ACC和MCC最高的是新建模型,SE最高的是Imai模型,SP最高的是Cmin;在验证队列中,新建模型、Xu模型、Imai模型和Cmin的AUC分别为0.794、0.750、0.705和0.717。ACC分别为81.10%、71.95%、80.49%和84.14%,SE分别为66.67%、77.78%、47.22%和50.00%,AUC最高的是新建模型,ACC、SP和MCC最高的是Cmin,但是其SE仅为50%。在临床效益方面:DCA曲线显示,无论是全队列还是验证队列中,新建模型都具有最大的临床净获益。本研究基于万古霉素的谷浓度、血清肌酐和呋塞米,采用Logistic回归方法建立了VA-AKI的风险预测模型,模型的区分度和校准度好,预测性能优秀,并进一步将模型转化为列线图便于临床应用。结论:本研究建立了一种与Xu模型、Imai模型、Cmin相比的,区分度、校准度和临床获益方面更优的VA-AKI预测模型,且该模型准确度高,使用方便,值得临床进一步验证和推广应用。图12幅,表9个,参考文献56篇

关键词：万古霉素急性肾损伤危险因素疾病风险预测模型

来源：评论

学校读者我要写书评

暂无评论

建筑业职工高尿酸血症发病风险预测模型的构建

建筑业职工高尿酸血症发病风险预测模型的构建

引用

作者：杨凯迪湖北医药学院

学位级别：硕士

背景:高尿酸血症作为公认的“第四高”,患病率不断上升,年轻化趋势明显;其发病隐匿、症状少,个体难以察觉;不仅与痛风密切相关,还是高血压、心血管疾病等多种慢性病的独立危险因素,已严重威胁人体健康。构建高尿酸血症风险预测模型以早... 详细信息

背景:高尿酸血症作为公认的“第四高”,患病率不断上升,年轻化趋势明显;其发病隐匿、症状少,个体难以察觉;不仅与痛风密切相关,还是高血压、心血管疾病等多种慢性病的独立危险因素,已严重威胁人体健康。构建高尿酸血症风险预测模型以早期识别高危人群,是开展有效预防的重要前提,机器学习算法则在疾病风险预测模型构建方面具有独特优势。建筑业是我国国民经济的支柱产业之一,从业人员众多,职工健康与个人生活质量、家庭负担等密切相关,高尿酸血症作为影响健康的重要因素,国内外尚缺乏针对数量庞大的建筑业职工高尿酸血症发病风险预测模型的相关研究。目的:本研究基于我国建筑业代表性公司从业人员的体检资料进行回顾性队列设计,利用机器学习算法筛选出建筑业职工高尿酸血症预测因子、构建相对最优的发病风险预测模型,并对预测模型的校准度和临床实用性进行评估,为有效识别建筑业职工高尿酸血症的高危人群,实现早期预警和及时干预提供科学依据。方法:回顾性收集某大型建筑业集团2016年与2020年均参加健康体检的建筑业从业人员体检资料,排除基线患高尿酸血症等条件不符职工的资料,并按7∶3的比例随机分为训练组和验证组。以训练组数据中是否发生高尿酸血症作为结局变量,采用最小绝对收缩与选择算子方法(Least absolute shrinkage and selection operator,Lasso)筛选变量,筛选出的变量分别纳入随机森林、朴素贝叶斯、支持向量机、Logistic回归4种算法构建预测模型。将验证组数据纳入已构建的预测模型进行内部验证,拟合验证组受试者工作特征曲线(Receiver operating characteristic curve,ROC)并计算曲线下面积(Area under the curve,AUC)、准确率、精确率、召回率、F1分数进行模型效能评估,对比筛选出最佳预测模型并对模型进行展示。在此基础上通过绘制列线图将最佳预测模型进行可视化呈现,利用Hosmer-Lemeshow拟合优度检验、校准曲线、决策曲线分析评估预测模型的校准度和临床实用性。结果:1.共纳入符合条件的职工体检资料1796例:男性职工1624人(90.42%)、女性职工172人(9.58%),4年高尿酸血症累积发病率为39.09%(702例)。将研究人群按7∶3的比例随机分为训练组(n=1260)和验证组(n=536):训练组男性职工1136人(90.16%),女性124人(9.84%),4年高尿酸血症累积发病率为39.29%(495例);验证组男性职工488人(91.04%),女性48人(8.96%),4年高尿酸血症累积发病率为38.62%(207例)。 ***回归共筛选出七个变量,分别是:年龄、性别、白细胞计数、肌酐、基线血尿酸、收缩压、体重指数(Body mass index,BMI),将筛选后的变量带入随机森林、朴素贝叶斯、支持向量机、Logistic回归算法后构建四个预测模型。其验证组AUC依次为,随机森林:0.797(95%CI:0.760-0.834)、朴素贝叶斯:0.809(95%CI:0.773-0.846)、支持向量机:0.801(95%CI:0.764-0.839)、Lasso-Logistic:0.813(95%CI:0.777-0.849)。最终选择Lasso-Logistic回归模型开展进一步分析。 ***-Logistic回归模型最终共纳入4个预测因子,性别(男性)(比值比[Odds Ratio,OR]=2.609,95%CI:1.132-6.016,P=0.024)、年龄(OR=0.976,95%CI:0.963-0.989,P<0.001)、基线血尿酸(OR=1.025,95%CI:1.021-1.028,P<0.001)、BMI(OR=1.055,95%CI:1.009-1.103,P=0.019)。在此基础上构建列线图模型,Hosmer-Lemeshow拟合优度检验(P>0.05)、校准曲线共同显示模型与真实情况吻合较好,临床决策曲线分析显示阈值概率为0.5～0.75时,净收益在0～0.35%之间,表明使用预测模型预测高尿酸血症风险有较好临床净收益。结论:本研究发现,在随机森林、朴素贝叶斯、支持向量机、Lasso-Logistic回归4种算法中,Lasso-Logistic回归构建的建筑业职工高尿酸血症发病风险预测模型为最佳模型,模型包括性别、年龄、基线血尿酸、BMI四项预测因子,能够较准确地预测高尿酸血症的发病风险,临床操作性强、实用价值高,可为早期识别建筑业职工高尿酸血症高风险人群提供科学依据。

关键词：建筑业职工高尿酸血症疾病风险预测模型

来源：评论

学校读者我要写书评

暂无评论

网络结构驱动的生物标记筛选及疾病预测模型研究

网络结构驱动的生物标记筛选及疾病预测模型研究

引用

作者：张霄帅山东大学

学位级别：博士

流行病学的任务是研究人群中疾病（或健康状况）的分布及其影响因素,并研究疾病防治及健康促进策略和措施。其中,筛选导致疾病发生、发展与转归的危险因素（或生物标记）,不仅是病因推断的基础,也是预测疾病发生与转归结局的前提。而病... 详细信息

流行病学的任务是研究人群中疾病（或健康状况）的分布及其影响因素,并研究疾病防治及健康促进策略和措施。其中,筛选导致疾病发生、发展与转归的危险因素（或生物标记）,不仅是病因推断的基础,也是预测疾病发生与转归结局的前提。而病因的确定或疾病及结局的准确预测,对于制定防治策略与措施均具有重要指导意义。因此,研究筛选疾病危险因素的新方法,探讨如何构建高效而准确的疾病预测模型,具有理论与实践意义。理论上,任何疾病的发生与转归均是遗传（基因）与环境因素（个人生活习惯、生理心理因素、环境污染等）交互作用的结果,众多遗传因子与环境因素之间的复杂交互作用往往交织成为网络系统,而正是这个交互网络系统调控着疾病发生、发展及转归的进程。因此,无论是筛选导致疾病发生、发展和转归的危险因素（或生物标记）,还是构建其预测模型均应以交互网络系统为基础,忽略交互网络结构的建模策略必将导致信息损失。目前,回归理论是筛选疾病危险因素或构建疾病预测模型的常用方法,其基本思想是,基于线性可加理论构建疾病发生或转归结局（因变量）与危险因子（自变量）之间的回归方程,进而借助回归模型筛选危险因素或构建预测模型。尽管目前发展了一些非线性回归的建模方法（如样条回归等）,但仍是在加性理论的框架下构建回归模型,即仍未脱离回归模型的限制。这是因为,回归建模思想是一把“双刃剑”。虽然它采取线性可加的简单形式,用回归系数定量地刻画了自变量对因变量效应;但是,在其建模过程中重点关注的是自变量（危险因子）对因变量（疾病发生或转归结局）的独立效应,而忽略了自变量之间的相关信息;尽管可以用自变量乘积项的形式将其放入回归模型内探测其交互效应,但往往难以遍历整个网络系统的交互结构（包括两变量间的交互效应、多变量间的多阶交互效应、以及整个通路的复杂交互效应）;况且,当交互项或交互阶数过多时,自变量之间的共线性将会急剧增加,且其维数也将急剧膨胀,从而导致回归模型估计偏性或失效。为此,着眼于整个网络结构（thinking globally）筛选变量或构建模型,进而推断特定通路（acting locally）上危险因素（或生物标记）对疾病发生的效应,应当成为流行病学病因推断和预测模型构建的未来发展方向。本研究将重点探讨在网络结构框架内,如何筛选危险因素（或生物标记）以及如何构建疾病发生预测模型。随着高通量生物组学（基因组、转录组、表观组、蛋白组、代谢组等）和环境暴露组学技术的成熟发展以及检测成本的大幅度降低,流行病学家在群体水平上同时获得海量的危险因子或生物标记成为现实。这为上述基于网络结构的建模思想提供了丰富的数据信息。为此,本研究将在网络结构框架内,从如下三个方面探讨危险因子（或生物标记）筛选及疾病预测模型构建的理论和方法：1)基于基因交互网络拓扑结构,在贝叶斯模型框架内筛选与疾病表型相关的生物标记（第二章）。2)基于贝叶斯网络,构建疾病筛检模型（第三章）。3)基于贝叶斯网络和竞争风险理论,构建疾病风险预测模型（第四章）。采用统计模拟与实际数据分析相结合的方法,评估上述建模策略的有效性,并通过与回归模型（LASSO回归模型,Logistic回归模型）进一步比较评价模型的优劣性。一、基因网络拓扑先验驱动的贝叶斯生物标记筛选模型（第二章）在全基因组关联分析（GWAS）中,数据分析策略包括两种：第一种是统计推断策略,即采用统计学检验（如卡方检验、t检验、Logistic回归模型等）方法,针对每一个生物标记（SNP位点）计算对比组（如病例组和对照组）之间的统计量及其对应的P值,通过比较P值与预先设定的显著性检验水准α决定是否拒绝H0,若P＜α则认为该SNP位点与疾病具有统计学关联。第二种是变量选择策略,即采用变量选择方法（如LASSO回归、岭回归等）,将与疾病具有关联性的SNP位点选入模型。上述两类方法均忽略了基因交互网络结构,因而不可避免的会丢失信息。为此,本研究提出了基因网络拓扑先验驱动的生物标记（SNP）筛选模型,在SNP和疾病表型之间引入基因网络层,作为生物标记筛选的网络拓扑先验,进而构建贝叶斯分层模型（Bayesian hierarchical model）,筛选出与疾病表型有关的SNP位点。即,构建基因网络拓扑先验驱动的贝叶斯生物标记筛选模型（ND-BVS model）.该方法是针对全外显子测序的GWAS基因组数据的整体基因关联分析方法,此类数据是以整体基因为单位（gene-based）,获取基因内外显子区域内的全部SNP分型数据。基因网络拓扑先验驱动的贝叶斯生物标记筛选模型的基本原理和方法如下：1)从KEGG数据库（http://***/）中获取基因网络的拓扑结构（该数据库中的生物网络结构均经大量的实验证实）,构建基因间的邻接矩阵R（如果基因i和基因j间在网络中有连线,则R=1,否则凡

关键词：网络结构生物标记变量选择疾病筛检模型疾病风险预测模型

来源：评论

学校读者我要写书评

暂无评论

缺血性脑卒中患者眼底微循环改变的特征及疾病风险预测的研究

缺血性脑卒中患者眼底微循环改变的特征及疾病风险预测的研究

引用

作者：甘佳昆明理工大学

学位级别：硕士

【目的】利用光学相干断层扫描血管成像(optical coherence tomography angiography,OCTA)监测缺血性脑卒中患者的眼部微循环改变,分析眼部微循环改变与缺血性脑卒中的相关性,探讨缺血性脑卒中可能的早期眼部预警指标并建立疾病风险预... 详细信息

【目的】利用光学相干断层扫描血管成像(optical coherence tomography angiography,OCTA)监测缺血性脑卒中患者的眼部微循环改变,分析眼部微循环改变与缺血性脑卒中的相关性,探讨缺血性脑卒中可能的早期眼部预警指标并建立疾病风险预测模型。【方法】采用横断面研究方法对90例缺血性脑卒中组(实验组)和58例健康对照组进行对比分析。比较两组间一般资料和视网膜黄斑中心凹无血管区面积(foveal avascular zone,FAZ)、视网膜浅层毛细血管密度(superficial retinal capillaries,SCP)、视网膜深层毛细血管密度(deep retinal capillaries,DCP)、脉络膜毛细血管密度(choroidal capillaries,CC)四个眼部微循环指标;通过多因素线性回归分析探讨缺血性脑卒中患者中影响眼部微循环的独立危险因素;通过多因素Logistic回归分析寻找缺血性脑卒中发生的早期眼部预警指标,建立疾病风险预测模型,并绘制该模型的列线图、受试者工作特征(receiver operating characteristic,ROC)曲线、校准度曲线以及决策曲线分析(decision curve analysis,DCA)曲线。【结果】1.两组间年龄、性别、吸烟史、高血压史、高血脂史、合并其他动脉粥样硬化相关病史差异有统计学意义(P<0.05);糖尿病史、饮酒史差异无统计学意义(P>0.05)。2.两组间FAZ面积、SCP、DCP、CC差异有统计学意义(P<0.05)。与对照组相比,实验组FAZ面积显著增加:对照组为0.3453±0.1183 mm2,实验组为0.4757±0.1214 mm2;SCP显著降低:对照组为0.4895(0.4524,0.5211)mm2,实验组为0.4069(0.3428,0.4739)mm2;DCP显著降低:对照组为0.3759(0.3525,0.4056)mm2,实验组为0.3301(0.2790,0.3730)mm2;CC显著降低:对照组为0.4024±0.4174 mm2,实验组为0.3625±0.5192mm2。校正了年龄、性别两个变量后,FAZ面积、SCP、DCP、CC仍与缺血性脑卒中的发生相关(P<0.05);进一步校正年龄、性别、吸烟史、饮酒史、高血压史、高血脂史、糖尿病史、合并其他动脉粥样硬化相关疾病史等变量后,FAZ面积、SCP、DCP、CC仍与缺血性脑卒中的发生相关(P<0.05)。3.多元线性回归分析结果:实验组年龄与SCP、DCP、CC呈独立负相关(P<0.05),相关系数分别为-0.004、-0.003、-0.002;脑卒中类型为非腔隙性脑梗死与CC呈独立正相关(P<0.05),相关系数为0.023。脑卒中类型、脑梗死灶数目、颈动脉狭窄程度对FAZ面积、SCP、DCP的影响无统计学意义(P>0.05);脑梗死灶数目、颈动脉狭窄程度对CC的影响无统计学意义(P>0.05)。4.单因素Logistic回归分析结果显示:两组间年龄、性别、高血压史、FAZ面积、SCP、DCP、CC差异有统计学意义(P<0.05);吸烟史、饮酒史、糖尿病史、高血脂史、合并其他相关动脉粥样硬化病史差异无统计学意义(P>0.05)。多因素Logistic回归分析结果显示:两组间性别、高血压史、FAZ面积、SCP差异有统计学意义(P<0.05);年龄、DCP、CC差异无统计学意义(P>0.05)。5.初步构建基于眼部微循环指标的缺血性脑卒中疾病风险预测模型并绘制列线图、ROC曲线、校准度曲线及DCA曲线。【结论】***面积、SCP、DCP、CC的改变与缺血性脑卒中的发生具有强相关性,提示利用OCTA监测眼部微循环改变特征可以为缺血性脑卒中的研究提供一个“可视化新窗口”。2.缺血性脑卒中患者在高龄、卒中类型为腔隙性脑梗死时部分眼底微循环指标改变更为严重,表明该部分人群发生缺血性眼病概率相对增加,需要进行早期眼底筛查。3.缺血性脑卒中发生的独立危险因素包括性别、高血压史、FAZ面积、SCP,表明眼部微循环指标对缺血性脑卒中有一定的预警价值。本研究初步建立了基于眼部指标的疾病风险预测模型,为缺血性脑卒中临床早期预警或筛查提供了新的思路和方向。

关键词：缺血性脑卒中光学相干断层扫描血管成像缺血性眼病疾病风险预测模型列线图

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：