腦卒中類型與復(fù)發(fā)的Logistic回歸預(yù)測及SMOTE算法處理非平衡臨床數(shù)據(jù).pdf

1、目的:腦卒中是一種突然起病的腦血液循環(huán)障礙性疾病，居全世界主要死因的第二位，分為缺血性腦卒中和出血性腦卒中，兩者的治療方法大不相同，目前臨床判斷卒中類型最準(zhǔn)確的方式是CT或MRI檢查，但在未能進(jìn)行影像檢查的情況下，只能依據(jù)臨床表現(xiàn)初步判斷類型，較容易誤診。本研究擬通過已有的臨床數(shù)據(jù)，構(gòu)建腦卒中分型回歸模型、腦卒中復(fù)發(fā)回歸模型，用于臨床輔助診斷及出院后的健康管理，并評價(jià)預(yù)測效果，希望能夠?yàn)榕R床提供一種輔助診斷手段，提高診斷正確率。使用分類

2、模型分類時(shí)需要有分布較平衡的數(shù)據(jù)才能獲得良好效果，在多數(shù)類似的研究中，數(shù)據(jù)不平衡現(xiàn)象普遍存在，本研究引入了非平衡數(shù)據(jù)處理方法SMOTE(Synthetic Minority Over-sampling Technique)算法、隨機(jī)復(fù)制法及欠抽樣法，并對處理結(jié)果進(jìn)行了比較。
　　方法:獲取石家莊市某醫(yī)院因腦卒中入院治療244例患者的病例及出院后健康監(jiān)測數(shù)據(jù)并整理，通過IBM SPSS進(jìn)行Logistic回歸分析，方法采用向前法，變

3、量入選水準(zhǔn)α入=0.05，α出=0.10，獲得構(gòu)建回歸模型所需參數(shù)，獲得Logistic回歸方程。若數(shù)據(jù)中出現(xiàn)類別分布不平衡的現(xiàn)象，導(dǎo)致分類預(yù)測準(zhǔn)確率或靈敏度較低，則使用數(shù)據(jù)平衡方法平衡數(shù)據(jù)，隨機(jī)復(fù)制過抽樣法及隨機(jī)欠抽樣法均使用SPSS中的隨機(jī)抽樣功能選擇，SMOTE算法則使用使用R語言DmWR程序包中的SMOTE函數(shù)調(diào)用SMOTE算法平衡數(shù)據(jù)，
　　結(jié)果:
　　1獲得了腦卒中分型的回歸模型，其預(yù)測準(zhǔn)確率較高。腦卒中分型回歸

4、模型Cox& Snell R Square檢驗(yàn)擬合優(yōu)度為0.634，預(yù)測準(zhǔn)確率為86.1％。
　　2得到了腦卒中復(fù)發(fā)預(yù)測的回歸模型，其預(yù)測靈敏度較低。缺血性腦卒中復(fù)發(fā)回歸模型Cox& Snell R Square檢驗(yàn)擬合優(yōu)度為0.236，其靈敏度為28.6％。出血性腦卒中復(fù)發(fā)回歸模型Cox& Snell R Square檢驗(yàn)擬合優(yōu)度為0.272，其靈敏度為60％。
　　3得到了使用SMOTE算法、隨機(jī)復(fù)制過抽樣法及隨機(jī)欠抽樣

5、法平衡數(shù)據(jù)后缺血性腦卒中復(fù)發(fā)回歸模型的預(yù)測數(shù)據(jù)及ROC曲線。其中隨機(jī)復(fù)制過抽樣法處理獲得的回歸模型Cox& Snell R Square檢驗(yàn)擬合優(yōu)度為0.473，靈敏度為85.7％;隨機(jī)欠抽樣法處理獲得的回歸模型Cox& Snell RSquare檢驗(yàn)擬合優(yōu)度為0.576，靈敏度為85.7％;SMOTE算法處理獲得的回歸模型Cox& Snell R Square檢驗(yàn)擬合優(yōu)度為0.488，靈敏度為89.3％。經(jīng)卡方檢驗(yàn)三種方法的靈敏度無顯

6、著差異。ROC曲線下面積中SMOTE算法大于隨機(jī)過抽樣法和隨機(jī)欠抽樣法。
　　結(jié)論:
　　1缺血性與出血性腦卒中類型可以使用Logistic回歸進(jìn)行輔助診斷，以提高診斷準(zhǔn)確率。根據(jù)回歸式可知血壓的升高對發(fā)生出血性腦卒中有較大影響，而TIA史與出血性腦卒中呈負(fù)相關(guān)性，在腦卒中患者中，經(jīng)常運(yùn)動(dòng)的人患腦出血的可能性更高，有腦卒中家族史的患者患腦出血的概率較高。
　　2腦卒中患者的復(fù)發(fā)可以根據(jù)出院后對其健康檢測的數(shù)據(jù)代入Log

7、istic回歸方程評估，若P＜0.5則歸類為不復(fù)發(fā)，若P≥0.5則歸類為復(fù)發(fā)。獲得結(jié)果后可對被判斷為復(fù)發(fā)組的人群進(jìn)行強(qiáng)化健康管理。
　　3在研究非配對樣本類別問題時(shí)，必須要重視不同類別樣本的平衡性，若不同類別樣本量不平衡，極易使得研究結(jié)果更傾向于樣本量大的類別，產(chǎn)生偏倚。綜合隨機(jī)復(fù)制過抽樣法、隨機(jī)欠抽樣法及SMOTE算法原理、預(yù)測靈敏度及ROC曲線，SMOTE算法即避免隨機(jī)復(fù)制過抽樣法產(chǎn)生的過度擬合，亦防止隨機(jī)欠抽樣法導(dǎo)致的信息缺