我们的网站为什么显示成这样?

可能因为您的浏览器不支持样式,您可以更新您的浏览器到最新版本,以获取对此功能的支持,访问下面的网站,获取关于浏览器的信息:

|本期目录/Table of Contents|

基于三种统计学方法构建的超重及肥胖人群高血压发病预测模型的分析比较(PDF)

《现代预防医学》[ISSN:1003-8507/CN:51-1365/R]

期数:
2021年11期
页码:
2061-2066
栏目:
疾病预防控制
出版日期:
2021-06-15

文章信息/Info

Title:
Screening risk factors and interaction analysis of hypertension in overweight and obesity population based on three statistical models
作者:
李禄伟1黄倩1施佳成1沈艳明1刘晓玲1王彩梅2于萍1吴岚3覃洋1江仁美1于健1
1.桂林医学院附属医院内分泌科,广西 桂林 541001;
2.桂林医学院附属医院检验科;
3.桂林医学院附属医院神经内科
Author(s):
LI Lu-wei* HUANG Qian SHI Jia-cheng SHEN Yan-ming LIU Xiao-ling WANG Cai-mei YU Ping WU Lan QIN Yang JIANG Ren-mei YU Jian
*Department of Endocrinology, The Affiliated Hospital of Guilin Medical College, Guilin, Guangxi 541001, China
关键词:
超重及肥胖高血压预测模型CRT分类树Logistic回归BP神经网络ROC曲线
Keywords:
Overweight and obesity Hypertension Prediction model CRT classification tree Logistic regression BP neural network ROC curve
分类号:
R544.1R589.2
DOI:
-
文献标识码:
A
摘要:
目的 利用CRT分类树、logistic回归、BP神经网络构建超重及肥胖人群高血压发病预测模型。方法 抽取出3150名超重及肥胖人群(体质指数≥24kg/m2)。分别应用CRT分类树、logistic回归、BP神经网络构建超重及肥胖人群高血压发病预测模型,筛选出高危因素,采用受试者工作特征曲线(ROC)对三种统计学方法构建的预测模型进行特异性、敏感性及准确性评估。结果 三种方法构建的预测模型筛选出的高危因素包括非酒精性脂肪性肝病(NAFLD)、空腹血糖(FPG)、年龄、甘油三酯(TG)、尿酸(UA)、低密度脂蛋白胆固醇(LDL-c)。CRT分类树模型、logistic回归模型、BP神经网络模型ROC曲线下面积(AUC)值分别为0.721、0.734、0.733,敏感性分别为61.63%、76.59%、82.85%,特异性分别为77.58%、60.44%、52.00%,Youden指数分别为39.20%、37.02%、34.85%。结论 本研究筛选的危险因素包括NAFLD、FPG、年龄、TG、UA、LDL-c,基于危险因素应用三种统计学方法构建的预测模型具有中等预测价值,对超重及肥胖人群高血压发病具有较好的预测能力。
Abstract:
Objective To predict hypertension in the overweight and the obese population was constructed by using a CRT classification tree, Logistic regression, and BP neural network. Methods 3150 overweight and obese people(body mass index ≥24 kg/m2) were selected. The prediction models of hypertension in overweight and obese populations were constructed by using CRT classification tree, Logistic regression, and BP neural network respectively. The high-risk factors were selected. The prediction models constructed by three statistical methods were evaluated by ROC. Results The high-risk factors selected by the three methods were NAFLD, FPG, Age, TG, UA, LDL-c. The AUC values of the ROC curve of CRT classification tree model, Logistic regression model and BP neural network model were 0.721, 0.734 and 0.733, respectively, with sensitivity of 61.63%, 76.59%, 82.85%, specificity of 77.58%, 60.44%, 52.00%, under index 39.20%, 37.02% and 34.85%, respectively. Conclusion The risk factors selected in this study include NAFLD, FPG, Age, TG, UA, LDL-c. The prediction model based on the three statistical methods has a medium predictive value and has a good predictive ability for hypertension in overweight and obese people.

参考文献/References

[1] 《中国高血压防治指南》修订委员会.中国高血压防治指南2018年修订版[J].心脑血管病防治,2019,19(1):1-44.
[2] 王增武,郝光,王馨,等.我国中年人群超重/肥胖现况及心血管病危险因素聚集分析[J].中华流行病学杂志,2014,35(4):354-358.
[3] Ahmed H,Thaver IH.Hypertension and obesity in community of Nain-Sukh[J].Journal of Pakistan Medical Association,2020,70(4):482-487.
[4] 冯宝玉,陈纪春,李莹,等.中国成年人超重和肥胖与高血压发病关系的随访研究[J].中华流行病学杂志,2016,37(5):606-611.
[5] 祝之明.肥胖相关性高血压管理的中国专家共识[J].中华心血管病杂志,2016,44(3):212-219.
[6] 伍强,伍鼎韡,符锡成,等.基于决策树的医疗数据分析[J].计算机光盘软件与应用,2014,17(1):128-130.
[7] 欧明望,叶春杨.基于神经网络的医疗诊断研究[J].海南大学学报:自然科学版,2019,37(3):219-226.
[8] 诸骏仁,高润霖,赵水平,等.中国成人血脂异常防治指南(2016年修订版)[J].中国循环杂志,2016,31(10):937-953.
[9] 中华医学会糖尿病学分会.中国2型糖尿病防治指南(2017年版)[J].中国实用内科杂志,2018,38(4):292-344.
[10] 中华医学会肝病学分会脂肪肝和酒精性肝病学组,中国医师协会脂肪性肝病专家委员会,范建高,等.非酒精性脂肪性肝病防治指南(2018年更新版)[J].实用肝脏病杂志,2018,21(2):177-186.
[11] 中华医学会内分泌学分会肥胖学组.中国成人肥胖症防治专家共识[J].中华内分泌代谢杂志,2011,(9):711-717.
[12] 中华医学会内分泌学分会.高尿酸血症和痛风治疗的中国专家共识[J].中华内分泌代谢杂志,2013,29(11):913-920.
[13] 王学晶,徐国宾,李海霞,等.血清肌酐和半胱氨酸蛋白酶抑制剂C及估算的肾小球滤过率在评价慢性肾病患者肾小球滤过功能中的比较研究[J].中华检验医学杂志,2007,30(4):415-418.
[14] 李晨,张杨,陈长生.logistic回归应用的常见问题及其注意事项[J].中国儿童保健杂志,2020,28(3):358-360.
[15] 张富,严培晶,程勇,等.肥胖性高血压检出率及影响因素的logistic回归分析[J].中国卫生标准管理,2019,10(22):8-11.
[16] 刘清云,吕艳辉.改进的BP神经网络在医疗中的应用研究[J].沈阳理工大学学报,2013,32(3):48-51.

备注/Memo

备注/Memo:
基金项目:广西医疗卫生适宜技术开发与推广应用项目(S2019062);桂林市科学研究与技术开发计划项目(20190218-5-1)
作者简介:李禄伟(1995—),男,硕士在读,研究方向:代谢相关性疾病及慢性并发症防治
通讯作者:于健,E-mail:duduyu1623@qq.com
更新日期/Last Update: 2021-06-15