河南農(nóng)村育齡婦女妊娠等待時間影響因素分析及生育能力預測模型比較研究.pdf

1、流行病學調(diào)查顯示，近年來育齡婦女生育能力呈下降趨勢，計劃受孕人群生育能力已經(jīng)成為當前女性生殖健康研究的熱點之一。生育能力評價的直接評價指標則是妊娠等待時間（Waiting Time to Pregnancy,TTP），即夫婦雙方在未避孕且規(guī)律性生活開始到達到妊娠所經(jīng)歷的時間。目前，TTP相關研究主要集中的歐美地區(qū)，而國內(nèi)的相關研究非常少。此外，大部分妊娠等待時間影響因素的相關研究均為回顧性研究。目前，在信息技術迅猛發(fā)展，數(shù)據(jù)量高速膨脹、

2、數(shù)據(jù)類型日益豐富、數(shù)據(jù)管理和分析需求不斷提升的當前社會，面對具有復雜數(shù)據(jù)結(jié)構(gòu)和非線性關系的大數(shù)據(jù)，傳統(tǒng)的統(tǒng)計學理論在理論研究和應用實踐方面面臨著諸多挑戰(zhàn)，而為了能夠有效利用大數(shù)據(jù)中存在的關系和規(guī)則，利用大數(shù)據(jù)來預測未來的發(fā)展趨勢，必須利用數(shù)據(jù)挖掘的方法，通過機器學習的方式來模擬人類的學習方式，通過對數(shù)據(jù)對象之間關系的分析，提取出隱含在數(shù)據(jù)中的模式。數(shù)據(jù)挖掘技術在社會科學以及自然科學多個領域的研究已日益成熟，但在生殖健康領域的應用仍然較少

3、，如何能夠?qū)?shù)據(jù)挖掘方法應用到生育能力預測，選擇合適的算法，通過數(shù)據(jù)挖掘技術對生育能力進行預測，將成為生殖流行病學研究中的一個重要研究方向。
　　研究目的:
　　本研究主要對河南農(nóng)村地區(qū)女性妊娠等待時間的影響因素進行了分析，探索并建立基于數(shù)據(jù)挖掘技術的生育能力預測模型，并對模型的預測能力進行比較。具體目的為：(1)研究參檢人群生育能力的基本情況，通過分析參加孕前檢查的農(nóng)村育齡婦女的中位受孕時間以及累積受孕概率來對妊娠等待時間

4、進行評價;(2)采用多種統(tǒng)計模型，探索現(xiàn)有數(shù)據(jù)中對妊娠等待時間的影響因素，并分析影響因素對于妊娠等待時間的影響程度大小及趨勢。(3)采用Logistic回歸、決策樹及隨機森林算法分別建立參檢人群生育能力預測模型，并對三種模型的預測能力以及泛化能力進行比較。
　　研究方法:
　　數(shù)據(jù)來源于2014年河南省國家免費孕前健康檢查項目數(shù)據(jù)。入選標準為女性年齡在15-49歲，目前未受孕，且在六個月內(nèi)準備懷孕的人群。參檢人群在基線調(diào)查后

5、，研究人員將對其開展為期1年的早孕隨訪以及1年的妊娠結(jié)局隨訪，所有信息均通過電子化的數(shù)據(jù)采集系統(tǒng)進入中心數(shù)據(jù)庫。本研究排除了自報不孕不育者以及調(diào)查中回答未做好懷孕準備者，最終確定研究人群為568850例。
　　在第一部分研究中，首先對數(shù)據(jù)進行了清洗及預處理，之后對數(shù)據(jù)進行了基本統(tǒng)計描述。對于妊娠等待時間的評價，本研究采用中位受孕時間以及累積受孕概率及基于生存分析Kaplan-Meier法的累積受孕概率曲線來進行評價及比較。對于妊娠

6、等待時間的影響因素分析，本研究主要采用Cox比例風險回歸模型，并計算受孕概率比值及其95％可信區(qū)間。同時，對于月經(jīng)初潮年齡等定量變量，本研究采用了限制性立方樣條回歸模型，通過繪制樣條回歸曲線以直觀的分析定量暴露因素和應變量之間的關系。在第二部分研究中，首先對數(shù)據(jù)進行了清洗、缺失值填補以及其他預處理，其次采用逐步回歸以及共線性診斷的方法進行了變量篩選以進一步簡化模型。分別利用Logistic回歸模型、決策樹（CART樹）模型以及隨機森林模

7、型建立預測模型，并通過交叉驗證的方法進行參數(shù)調(diào)整以選擇最優(yōu)模型。采用準確率、混淆矩陣以及ROC曲線下面積對模型的預測判別能力進行了比較，并隨機抽取了150，000例2012-2013年參檢人群的數(shù)據(jù)，通過數(shù)據(jù)預處理后，作為測試集，將2014年經(jīng)預處理后的全部數(shù)據(jù)作為訓練集，測試模型的泛化能力。
　　研究結(jié)果:
　　1、妊娠等待時間流行病學影響因素分析
　　研究結(jié)果顯示，低年齡組、教育程度較低以及農(nóng)民人群的妊娠等待時間與

8、高年齡、教育程度較高或非農(nóng)民人群相比較短，累積妊娠概率較高。曾避孕女性、初潮年齡高于14歲、月經(jīng)經(jīng)期短于5天或長于6天、月經(jīng)周期長于29天、月經(jīng)量較少或較多、自報痛經(jīng)的人群其妊娠等待時間均高于對照組。限制性立方樣條分析結(jié)果顯示，初潮年齡低于13歲的女性，其受孕概率比值較低;隨著初潮年齡的上升，受孕概率比值逐漸增加;與對照組（28天）相比，月經(jīng)周期短于27天的女性，其受孕概率比值較低;隨著月經(jīng)周期天數(shù)的上升，受孕概率比值逐漸增加。與對照組

9、（4.5天）相比，月經(jīng)經(jīng)期短于4天的女性，其受孕概率比值較低;隨著月經(jīng)周期天數(shù)的上升，受孕概率比值逐漸增加。非吸煙者、無被動或偶爾被動吸煙、不飲酒者、BMI在18.5-24.9之間以及未接觸過毒害物質(zhì)的丈夫及妻子其累積妊娠概率明顯高于其他暴露組。對丈夫BMI與累積受孕概率擬合限制性立方樣條回歸模型，BMI高于19且低于22.86的男性，其妻子受孕概率比值較高。對妻子BMI與TTP擬合限制性立方樣條回歸模型，分析結(jié)果顯示與對照組相比，BM

10、I高于18.5且低于21.45的女性，其受孕概率比值較高。工作壓力及經(jīng)濟壓力較大的人群其累積妊娠概率明顯低于其他暴露組。以上結(jié)果在單因素回歸分析及多因素回歸分析模型中的結(jié)果均一致。
　　2、農(nóng)村育齡婦女生育能力預測模型應用比較研究
　　分別構(gòu)建了Logistic回歸模型、決策樹(CART)模型以及隨機森林模型，分別選取80％，70％以及60％的樣本作為訓練集，其余樣本作為測試集，Logistic回歸模型的ROC曲線下面積為0

11、.69392，0.69347，0.69453，CART樹模型的ROC曲線下面積分別為0.70009，0.69831，0.69839，隨機森林模型的ROC曲線下面積分別為0.75384，0.75251，0.75068。
　　選擇80％的樣本作為訓練集，20％的樣本作為測試集，分別繪制了Logistic回歸模型、CART樹模型以及隨機森林模型的ROC曲線，隨機森林模型的ROC曲線相比Logistic回歸模型與CART模型的更靠近左上角

12、，且完全在Logistic回歸模型及CART模型的ROC曲線外側(cè)，說明隨機森林模型的預測判別能力要好于Logistic回歸模型及CART模型。Logistic模型，CART模型以及隨機森林模型的靈敏度分別為0.86，0.87以及0.88;特異度分別為0.36，0.38以及0.44;假陽性率分別為0.64，0.62以及0.56;假陰性率分別為0.14，0.13以及0.12。隨機森林的各項指標要好于其他兩種模型。
　　將隨機選取的15

13、0，000例2012-2013年參檢人群數(shù)據(jù)作為測試集，將2014年經(jīng)預處理后的全部數(shù)據(jù)作為訓練集，對三種模型的泛化能力比較結(jié)果顯示：三種模型的各項指標與原數(shù)據(jù)集分析指標基本一致。此外，表中可見隨機森林模型的靈敏度及特異度均高于Logistic回歸模型，而假陽性率和假陰性率均低于Logistic回歸模型，說明在測試數(shù)據(jù)集中隨機森林模型的預測判別能力仍高于Logistic回歸模型的判別能力。測試后發(fā)現(xiàn)，三種模型的泛化能力都較好，Logis

14、tic回歸模型，CART模型以及隨機森林模型均稍高于建模數(shù)據(jù)集所得的AUC。
　　研究結(jié)論:
　　通過本研究的分析結(jié)果可見，對于農(nóng)村育齡婦女來說，妊娠等待時間的影響因素較多且較復雜，社會人口學特征、月經(jīng)、生育史、生活方式以及社會心理壓力等都對妊娠等待時間具有程度不等的影響，這些關系在調(diào)整了協(xié)變量后仍然存在。研究認為，通過宣傳教育等手段對吸煙、飲酒、被動吸煙、BMI以及心理壓力等與妊娠等待時間存在著密切關系的因素進行預防，鼓勵

15、計劃妊娠人群在備孕期減少吸煙、被動吸煙以及飲酒，采用健康的生活方式，保持正常體重，從而提高人群的生育能力。此外，通過數(shù)據(jù)挖掘，對本研究的大樣本數(shù)據(jù)建立預測模型并比較后，可見隨機森林算法要明顯好于傳統(tǒng)的Logistic回歸模型以及CART樹模型。這種算法在生育能力預測方面的應用將具有較好的實際應用價值，通過建立生育能力預測模型，可以對參加孕前優(yōu)生健康檢查的參檢家庭進行一年內(nèi)是否能夠受孕進行預測，通過模型得到在一年內(nèi)懷孕可能性較小的人群，并