探讨Bayes判别分析应用于巨大儿发生风险进行预测的临床效果。方法将169例巨大儿和169例正常足月儿按条件进行1∶1配对,纳入可能与巨大儿出生有关的因素,采用条件Logistic回归分析模型筛选有判别意义的指标,将有判别意义的指标带入Bayes判别模型中得到Bayes判别函数,并对判别函数进行回顾性考核和外部检验。结果经条件Logistic回归分析模型筛选出影响巨大儿出生的因素有产妇身高、孕早期体重指数(body mass index,BMI)、妊娠期糖尿病、孕周、宫高+腹围。建立的Bayes判别函数:巨大儿y1=-27.802+8.420×产妇身高+8.719×孕早期BMI+10.485×孕周+3.375×妊娠期糖尿病+2.862×(宫高+腹围);正常足月儿y2=-17.477+7.161×产妇身高+7.217×孕早期BMI+7.862×孕周+2.036×妊娠期糖尿病-0.085×(宫高+腹围)。建立的判别函数其Wilks’Lambda(λ)=0.512,P<0.001,因而判别函数有统计学意义。对判别函数进行考核,结果内外部符合率均达到80%以上。结论巨大儿的出生与多种因素有关,构建的Bayes判别模型对巨大儿有较好的判别作用,为今后更为准确的预测巨大儿的发生提供客观参考。
目的探讨Lasso Logistic回归模型在乳腺癌高风险人群筛查利用相关因素研究中的应用。方法基于健康风险评估模型筛选乳腺癌高风险人群,利用Lasso Logistic回归模型进行变量选择,通过交叉验证选择模型中的最优调和参数λ,再建立传统Logistic回归模型分析筛查利用情况的影响因素。结果经健康风险评估模型筛选后,共纳入771名乳腺癌高风险人群,乳腺癌筛查利用率为72.1%。交叉验证选择的最优λ为0.044,经Lasso Logistic回归模型进行变量筛选后纳入的自变量为年龄、文化程度、既往乳腺疾病史和乳房自检行为,赤池信息准则(akaike information criterion,AIC)和贝叶斯信息准则(bayesian information criterion,BIC)分别为762.44和785.68,均低于传统Logistic回归模型(762.73,804.55)。结论 Lasso Logistic回归模型可用于乳腺癌高风险人群筛查利用情况相关因素研究。年龄、文化程度、既往乳腺疾病史和乳房自检行为影响乳腺癌高风险人群的筛查利用情况。
暂无评论