基于决策树模型与Logistic回归分析法的新疆地区老年骨质疏松患者
住院老年患者轻度认知功能障碍风险预测模型的构建
住院老年患者轻度认知功能障碍风险预测模型的构建吴瑞凯;马龙;周晓辉;韩正风【期刊名称】《医学新知》【年(卷),期】2024(34)1【摘要】目的探讨住院老年患者轻度认知功能障碍(mild cognitive impairment,MCI)的影响因素,构建并比较多组MCI相对风险预测模型。
方法采用方便抽样法,选择2023年1月至2023年9月在新疆医科大学第一附属医院老年医学科住院的老年患者,构建Logistic回归预测模型、决策树预测模型、神经网络预测模型并分析MCI的影响因素,采用受试者工作特征曲线(receiver operating characteristic,ROC)下面积(area under curve,AUC)比较三组预测模型的效能。
结果共纳入住院老年患者992例,MCI检出率为21.17%。
多因素Logistic回归模型、决策树模型、神经网络模型分析结果均显示年龄、脑血管病、文化程度为MCI的主要影响因素,多因素Logistic回归模型和神经网络模型还显示日常生活能力也是MCI的影响因素。
多因素Logistic回归预测模型预测正确率为89.1%,ROC曲线下面积AUC为0.933[95%CI(0.916,0.950)],灵敏度为0.881,特异度为0.852,约登指数为0.733。
决策树预测模型预测正确率为86.1%,AUC为0.908[95%CI(0.888,0.927)],灵敏度为0.919,特异度为0.753,约登指数为0.672。
神经网络预测模型预测正确率为88.7%,AUC为0.933[95%CI(0.915,0.950)],灵敏度为0.876,特异度为0.861,约登指数为0.737。
三组模型预测结果均>70%,预测效能较好。
结论年龄增加,受教育年限短,患有脑血管病,日常生活能力下降会增加老年患者发生MCI的风险。
多因素Logistic回归、决策树、神经网络多组模型可从不同层面挖掘MCI的影响因素,多模型的有效结合能更充分的了解不同因素之间的相互作用,为MCI的早期筛查和干预提供参考。
基于决策树的客户流失预测与分析研究
基于决策树的客户流失预测与分析研究随着市场竞争日益加剧，客户流失成为了众多企业的常见问题。
企业不仅需要努力吸引新客户，还需要通过对现有客户的关怀和维护，提高客户的忠诚度，并减少客户的流失。
因此，客户流失预测和分析成为了一项重要的研究课题。
基于决策树的客户流失预测是现今较为流行的预测算法之一。
该算法基于数据挖掘技术，根据历史数据的特征与客户是否流失的关系，建立决策树模型，以预测客户流失的可能性、影响因素及其作用程度。
一、常用的客户流失预测模型在客户流失预测中，常用的模型包括logistic回归模型、决策树模型、神经网络模型等。
其中，决策树模型是一种基于树形结构的分类方法，能够直观地展示各种可能性的决策过程，是一种易于理解和实现的分类方法。
与其他模型相比，决策树模型具有以下优势：1、易于理解和解释；2、能够同时考虑多个因素的作用；3、不需要对数据进行预处理。
二、基于决策树的客户流失预测基于决策树的客户流失预测主要包括以下步骤：1、数据预处理：对数据进行清洗和转换，消除缺失值和异常值，并将数据转化为数值型或离散型数据。
2、特征选择：从历史数据中选择对客户流失影响较大的特征变量，过多的特征变量会导致决策树模型的过拟合，而过少的特征变量会导致决策树模型的欠拟合。
3、建立决策树模型：通过计算信息增益或基尼指数等指标，确定根节点和分支节点，构建决策树模型。
4、模型评估：通过预测客户流失的准确率、召回率、F1值等指标，对模型进行评估和优化。
三、客户流失预测的因素分析客户流失预测的因素分析是客户流失预测的关键环节，确定影响客户流失的因素对于提高客户流失预测的准确性和可信度有着重要作用。
影响客户流失的因素主要包括：1、消费行为：消费金额、消费频次、消费时长等指标。
2、客户个人信息：性别、年龄、教育程度、收入水平等指标。
3、服务质量：客户满意度、售后服务等指标。
4、市场环境：市场竞争情况、行业状况等指标。
五、客户流失预测的应用实例基于决策树的客户流失预测已经得到广泛的应用，可以用于银行、电信、保险、电商等多个领域的客户流失预测。
阿法骨化醇与骨化三醇预防骨质疏松骨折药物经济学评价
图1 模型结构示意图 注：该图为模型结构示意图，与Treeage软件中实际运行的最终决策树结构 有所差别。由于文献中难以获得部分参数，老年骨质疏松患者和绝经后妇
女骨质疏松患者的决策树分别只有2个和3个比较方案
组为安慰剂或空白、钙剂、阿法骨化醇或骨化三醇的不同剂量或不同 给药途径、其他抗骨质疏松药；③产出指标报告骨折率或骨折例数。
果优于阿法骨化醇联合钙剂用药的效果，但成本也更高，ICER 为 41054.7 元，不经济；阿法骨化醇联合钙剂为经济性最优方案。对于老
年性骨质疏松的治疗，阿法骨化醇联合钙剂相对于维生素 D 联合钙剂用药成本更低，同时效果更好，为优势方案。在对各不确定性因素
进行的敏感性分析中，单因素敏感性分析的结果与基础分析的结果基本一致。结论 对于绝经后妇女骨质疏松症的治疗，阿法骨化醇联合
由于临床研究的患者个体数据在短期内很难获得，而多数临床研 究报告中又缺少对于卫生资源消耗和成本信息的报告，因此本研究拟 采用模型法对各方面资料进行整合。 1.1 模型假设
由于骨质疏松的分类较复杂，尤其是继发性骨质疏松的诱因很
多，如肾病、肝病、长期糖皮质激素摄入等，因此，本研究仅针对原 发性骨质疏松症（即对绝境后和老年性骨质疏松）进行分析。由于临 床报告数据分散，难以进行Meta分析，故本研究主要通过对文献进行 汇总分析（pooled analysis）获得效果指标。 1.1.1 研究对象
目前用于治疗骨质疏松的药物主要有荷尔蒙补充疗法、二磷酸盐 （如阿伦膦酸盐和利塞膦酸盐）、降钙素、维生素D及其类似物（如 骨化三醇和阿法骨化醇）等。阿法骨化醇（Alphacalcidol）是最早用 于骨质疏松防治的药物，其药理作用为：减少甲状旁腺细胞的增值， 抑制甲状旁腺激素（PTH）的分泌；增加小肠对钙的吸收，提高血 钙水平，反馈性抑制PTH的分泌，同时减少骨钙消溶。在治疗骨质 疏松的药品中，与阿法骨化醇类药物有相似作用机理的是骨化三醇 （Calcitriol），是人体内维生素D3最重要的代谢活性产物之一。近年 来，阿法骨化醇和骨化三醇单独用药或联合钙剂预防骨质疏松骨折的 有效性的临床试验已经被国内外研究者所关注，但国内还没有关于这 两种药物在预防骨质疏松骨折方面的经济性比较的报道。因此，本研 究将从全社会角度出发，通过对长期使用阿法骨化醇与骨化三醇单独 用药或联合钙剂预防骨质疏松骨折进行成本效果分析，评价这两种药 物以及骨质疏松用药干预的经济性。 1 资料与方法
基于WGBDT_的心衰患者半年内再入院风险预测
第 42 卷第 3 期2023年 5 月Vol.42 No.3May 2023中南民族大学学报（自然科学版）Journal of South-Central Minzu University（Natural Science Edition）基于WGBDT的心衰患者半年内再入院风险预测徐瑞1，肖海军1，胡琛2*（1 中国地质大学数学与物理学院，武汉430074；2 华中科技大学同济医学院附属同济医院儿科学系，武汉430030）摘要为了解决现有心衰患者再入院风险预测评估模型缺乏可解释性、无法满足临床应用要求的问题，提出了一种基于自适应加权的梯度提升决策树（Weighted Gradient Boosting Decision Trees， WGBDT）的心衰患者半年内再入院风险预测模型.这一模型由基于WGBDT算法的风险预测和基于可解释机器学习（SHapley Additive exPlanation， SHAP）模型的解释性框架构成.其一，WGBDT风险模型通过样本权重更新来完成基分类器的训练.对通过基分类器分类误差率更新的残差样本进行迭代训练的基分类器加权累加，可以获得泛化性和准确率更好的模型；其二，SHAP可解释性框架采用Kernel SHAP和临床医学先验知识相结合的方式，对WGBDT黑箱模型进行解释，完成该模型的可解释性.使用四川省某医院的2008例心衰患者临床数据集对模型进行训练与测试，结果显示：利用该模型获得的结论优于梯度提升决策树（GBDT）、XGBoost、支持向量机、决策树、Adaboost等主流的机器学习算法获得的结论；同时，利用 SHAP框架提高了该模型的可解释性，并根据特征的重要性，识别出了影响心衰因素的重要性排序，这为医生制定更加合理的决策提供了科学的参考.关键词心衰；再入院；梯度提升决策树；样本权重；可解释机器学习模型中图分类号R541.6 文献标志码 A 文章编号1672-4321（2023）03-0425-08doi：10.20056/ki.ZNMDZK.20230320WGBDT-based risk prediction for readmission within six months inheart failure patientsXU Rui1，XIAO Haijun1，HU Chen2*（1 School of Mathematics and Physics， China University of Geosciences， Wuhan 430074， China；2 Department of Pediatrics， Tongji Hospital， Tongji Medical College， Huazhong University ofScience and Technology， Wuhan 430030， China）Abstract In order to solve the problem that existing models for predicting and assessing the risk of readmission in heart failure patients lack interpretability and cannot meet the requirements of clinical application，a WGBDT（Weighted Gradient Boosting Decision Trees）-based model for predicting the risk of readmission in heart failure patients within six months is proposed. This model consists of a risk prediction based on the WGBDT algorithm and an interpretation framework based on the SHAP（SHapley Additive exPlanation） model. On the one hand， the WGBDT risk model completes the training of the base classifier by updating the sample weights. The weighted accumulation of the base classifier that iteratively trains the residual samples updated by classification error rates of the base classifier can obtain a model with better generalization and accuracy. On the other hand， the SHAP interpretability framework uses a combination of Kernel SHAP and clinical medicine prior knowledge to interpret the WGBDT black box model and complete the interpretability of the proposed model. By using a clinical dataset with 2008 heart failure patients from a hospital in Sichuan Province as training set and test set， the results show that the conclusions obtained by the proposed model outperform those obtained by mainstream machine learning algorithms such as GBDT，XGBoost，SVM，DT，Adaboost ，et al. At the same time，the收稿日期2022-09-20* 通信作者胡琛（1992-），女，临床技师，博士，研究方向：环境流行病学，E-mail：******************基金项目国家自然科学基金资助项目（11901543）；国家级外专资助项目（华科专字G2021154019L）第 42 卷中南民族大学学报（自然科学版）interpretability of the proposed model is enhanced by using the SHAP framework and the order of the importance of factors affecting heart failure is identified according to the importance of the features. These provide a scientific reference for doctors to formulate more reasonable treatment plans.Keywords heart failure； readmission； Gradient Boosting Decision Trees； sample weights； SHapley Additive exPlanation心力衰竭（heart failure，简称心衰）的高再入院率与高医疗成本目前是各国普遍面临的问题.高效精准的风险评估能大大节省医疗成本，让心衰预后管理更具侧重性，所以对心衰患者再入院风险的准确评估成为了降低患者再入院率和节省医疗成本的关键.国内外已有学者相继建立并发布了大量再入院风险预测模型.现阶段主要使用两种心衰相关的风险预测模型：一是结合医学与统计学的传统模型，二是从机器学习方向出发的预后模型.在医学和统计学领域里，常用的有Logistic回归模型和Cox比例风险回归模型.然而地区的差异和截尾数据的影响会在一定范围内限制其推广和应用.近年来由于大数据服务与技术的迅速发展，并行计算效率的快速提升使机器学习被大量运用于医疗领域.国内外有学者利用机器学习算法对医疗数据进行建模：GOLAS等［1］建立心衰患者出院后30 d 全因再入院的深度学习风险预测模型，该模型分类准确率为76.4%；李金林等［2］采用神经网络、随机森林和支持向量机算法构建了10个再入院风险模型，使用多项式和函数的支持向量机模型的表现最好.许源等［3］利用XGboost对缺血性脑卒中患者90 d内再入院预测模型，与传统的Logistic回归分析模型相比，XGboost模型的风险预测效果更好.林瑜等［4］基于集成学习方法AdaBoost、GBDT等建立ICU预测模型，与Logistic回归分析模型对比，基于集成学习的预测模型有更好的表现.机器学习模型具有其独特的优势，对原始数据无较高要求，同时具有很强的自组织、自适应能力，但机器学习模型作为黑匣子只能实现数据到预测结果的映射，缺乏一定可解释性，这在一定程度上限制了此类模型在可解释性要求较高的医疗领域的应用.综上，针对心衰患者再入院风险预测领域，传统的统计学模型对数据的要求太高、对数据异常值较为敏感，机器学习尽管可以在一定程度上克服统计学模型局限性，但其可解释性较低，因此，考虑GBDT模型具有可抑制数据敏感性的特点，本文提出基于GBDT模型的心衰患者再入院风险预测模型，同时结合SHAP模型对GBDT模型进行因果分析，提高分类预测模型的可解释性.用基于自适应加权的GBDT方法（WGBDT）建立心衰患者再入院风险预测模型，WGBDT方法利用残差加权改变每次迭代后各个样本的权重来提升最终强分类器的分类性能.通过建立SHAP模型结合医学知识对WGBDT模型进行分析，使得WGBDT 预测模型变得更加具有解释性，同时得到比GBDT 算法更好的分类结果.通过仿真实验的结果证明：WGBDT算法相较于其他的算法具有更优的性能. 1 基于WGBDT的再入院风险预测模型1.1 模型原理1.1.1 GBDT理论GBDT于2001年由FRIEDMAN提出［5］，是一个以提升方法为框架的加法模型集成学习算法.在GBDT模型中常选用CART回归树作为基分类器，每一棵树的生成都是基于上一个回归树分类结果的残差，以串行的方式向残差减小的方向梯度迭代，最后累加所有树的结果加权求和作为最终结果. GBDT算法的流程如下.步骤1，取训练集T={(x1，y1)，(x2，y2)，…，(x n，y n)}，迭代次数M和损失函数L，初始化弱分类器F0(x)：F0(x)=arg minγ∑i=1n L(y i，γ).（1）步骤2，建立M棵分类回归树m=1，2，…，M：（1）对i=1，2，…，n，计算第m棵树对应的响应值（损失函数的负梯度，即伪残差）：rm，i=-[∂L(y i，F(x i))∂F(x)]F(x)=F m-1(x).（2）（2）对于i=1，2，...，n，利用CART回归树拟合数据(x i，r m，i)，得到第m棵回归树，其对应的叶子节点区域为R m，j，其中j=1，2，…，J m，且J m为第m棵回归树叶子节点的个数.（3）在J m个叶子节点区域j=1，2，…，J m，计算最优拟合值：cm，j=arg minγ∑x i∈R m，j L(y i，F m-1(x i)+γ).（3）更新强学习器F m(x)：426第 3 期徐瑞，等：基于WGBDT 的心衰患者半年内再入院风险预测F m (x )=F m -1(x )+∑j =1J mc m ，j I (x ∈R m ，j )，（4）其中，I (x ∈R m ，j )={1，x ∈R m ，j0，x ∉R m ，j.步骤3，最后得到的强学习器F M (x )的表达式：F M (x )=F 0(x )+∑m =1M∑j =1J mc m ，j I (x ∈R m ，j ).（5）1.1.2 改进GBDT 理论对于GBDT ，其每轮迭代拟合的样本是上一轮拟合的负梯度，也就是残差的近似值，而在训练过程中所有样本的权重始终相同，这就导致在训练时基学习器不能将注意力集中到难分样本上，使得分类结果不够精确.本文应用结合自适应样本加权思想和GBDT 算法能实现更好的模型分类性能.主要是每拟合完一棵树，通过Sigmoid 函数得到每个样本预测的可靠度；在分类开始阶段存在较多的误分类样本和难分样本，根据自适应样本加权的思想，对于易分样本缩小其样本权重，对于误分类样本和难分样本则增大其权值.在更新权重时用到了残差误差率和基分类器误差率，根据上一轮误差率来更新下一轮的残差样本权重.第m 棵树第i 个样本的残差误差率为：e m ，i =(r m ，i -∑j =1J mc m ，j I (x i ∈R m ，j ))2E m2.（6）其中E m 是拟合的残差中最大误差，E m =max i =1，2，…，n ||r m ，i -∑j =1J mc m ，j I (x i ∈R m ，j )||.（7）第m 个弱学习器的误差率定义如下：e m =∑i =1Nw m ，i ⋅e m ，i .（8）第m +1轮残差样本的权重定义如下：W m +1=(w m +1，1，w m +1，2，…，w m +1，n )，（9）w m +1，i =u m ，i∑i =1Nu m ，i ，（10）其中，残差权重因子：u m ，i =w m ，i ⋅(e m1-e m)1-e m ，i，i =1，2，…，n .（11）该改进算法的流程图如图1所示.1.2 再入院风险预测模型的实现本文再入院风险模型整体实现流程如图2所示，分为数据处理、特征工程、模型性能验证和SHAP 模型解释四个部分.2 实验结果分析2.1 实验配置和评价指标本文在节点CPU 为AMD R7-5700U 1.80 GHz 的Windows10系统上运行Python 3.8.8进行实验，其中Scikit -learn 库为1.1.1版本，编译环境为JupyterNotebook 6.4.11.混淆矩阵（如表1所示）是评价模型结果的指标，属于模型评估的一部分.基于混淆矩阵，可以衍生出一系列机器学习评价指标：准确率（Accuracy ，Acc ）、灵敏度（Sensitivity ，Sen ）、特异度（Specificity ，Spe ）、F1值和AUC 值，本文使用以上5个指标来进行评估.准确率为总的正确预测的样本数量占总样本数量的比值；灵敏度也叫召回率，表示正确预测的阳性样本占总阳性样本的比值；特异度表示正确预测的阴性样本占总阴性样本的比值；F1值为精确率和召回率的调和平均；AUC 是用构图法解释灵敏度和特异度的相互关系，曲线下面积越接近1，模型精度越高.上述指标公式分别如式（12）~（15）所示.Acc =TP +TNTP +TN +FP +FN，（12）图1 WGBDT 算法流程Fig. 1 Flow chart of WGBDT algorithm427第 42 卷中南民族大学学报（自然科学版）Sen =TPTP +FN，（13）Spe =TNTN +FP ，（14）F1=2TP2TP +FN +FP.（15）2.2 数据来源与处理2.2.1 数据来源及介绍本文数据［6-7］来源于四川自贡某医院2016―2019年的回顾性心力衰竭数据集.该数据集包括心力衰竭患者个案2008例，其中半年后复发的个案773例，半年后未复发的个案1235例.还包括涉及到患者基本资料、生命体征、基础疾病、神志反应、器官状态、实验室检查、常见抗心衰药物使用等7个方面的168个变量.为方便起见，下文中将半年后再入院和半年后未再入院统一简称为再入院和未再入院.2.2.2 数据预处理针对原始数据中的数据类型不统一、数据缺失、数据冗余等问题进行数据清洗，主要包括以下几个步骤：（1）数据量化处理.数据集中存在不少字符串形式的类别型特征，为了统一数据类型，需要对这些特征数据用LabelEncoder 进行转换.例如，年龄段分为了8个阶段，分别用｛1，2，3，…，7，8｝来表示.最终转换了15个类别型特征.（2）缺失值处理.可视化数据集的缺失值，结果如图3所示.白色代表数据缺失，白色越多表示数据缺失的越多。
农民参加新型农村社会养老保险制度的影响因素研究基于Logistic回归模型和WLS修正分析
农民参加新型农村社会养老保险制度的影响因素研究基于Logistic回归模型和WLS修正分析一、概述随着社会经济的不断发展与人口老龄化趋势的加剧，农村养老问题逐渐凸显，成为社会各界关注的焦点。
新型农村社会养老保险制度作为政府为应对这一挑战而推出的重要政策，其有效实施对于提高农民养老保障水平、维护农村社会稳定具有重大意义。
在实际推行过程中，农民参保率的不理想情况仍普遍存在，影响了制度功能的充分发挥。
深入研究农民参加新型农村社会养老保险制度的影响因素，对于优化政策设计、提高政策执行力具有重要的理论价值和实践意义。
本文旨在通过Logistic回归模型和WLS修正分析，系统探究农民参加新型农村社会养老保险制度的影响因素。
Logistic回归模型能够量化分析各因素对农民参保意愿的影响概率，而WLS修正分析则可以对影响因素的重要性进行进一步评估，为政策制定提供更为科学的依据。
通过对年龄、文化程度、收入水平、医疗资源等关键因素的深入剖析，我们期望能够揭示农民参保决策的内在机理，为相关部门制定和完善农村社会养老保险政策提供有力的决策支持。
在研究过程中，我们充分考虑到农民群体的特殊性以及农村地区的实际情况，力求使研究结果更加贴近现实、具有针对性。
我们也注意到已有研究在影响因素分析方面存在的争议和不足，因此本文在研究方法和数据处理上进行了创新和改进，以提高研究的准确性和可靠性。
本文通过对农民参加新型农村社会养老保险制度的影响因素进行深入研究，旨在为推动农村养老保障体系的完善和发展提供有益的探索和参考。
1. 新型农村社会养老保险制度的背景与意义《农民参加新型农村社会养老保险制度的影响因素研究：基于Logistic回归模型和WLS修正分析》新型农村社会养老保险制度（以下简称“新农保”）的提出与实施，根植于我国农村社会的深刻变革和人口老龄化趋势的双重背景之下。
随着经济的持续发展和城镇化进程的加快，农村传统的家庭养老和土地养老模式已逐渐无法满足农民日益增长的养老需求。
60岁及以上人群体重调整腰围指数与低eGFR的相关性研究
60岁及以上人群体重调整腰围指数与低eGFR的相关性研究阿娜尔·高少;迪丽胡玛尔·艾力;巴合古·依明尼亚孜;顾园申;余文慧;戴江红【期刊名称】《新疆医科大学学报》【年(卷),期】2024(47)5【摘要】目的探讨60岁及以上人群体重调整腰围指数(Weight-adjusted-waist index,WWI)与低估算肾小球滤过率(Estimated glomerular filtration rate,eGFR)之间的关系,为早期预防老年人肾功能损害提供科学参考。
方法基于“新疆多民族自然人群队列建设及健康随访研究”的基线调查数据,通过腰围(cm)除以体重(kg)的平方根计算WWI。
采用Logistic回归模型分析WWI与低eGFR之间的相关性,并采用限制性立方样条(RCS)回归函数来探索WWI水平与低eGFR之间的非线性剂量反应关系。
结果共纳入10987例研究对象,低eGFR的总检出率为8.9%。
调整相关因素后,Logistic回归结果显示,WWI与低eGFR有相关性(模型2:OR=1.085,95%CI:1.018~1.157,P=0.012;模型3:OR=1.098,95%CI:1.027~1.173,P=0.006)。
使用限制性立方样条发现WWI和低eGFR之间存在非线性联系(P<0.05)。
WWI和低eGFR发生风险拐点的参考值为11.316。
当WWI>11.316时,WWI每增加一个单位,低eGFR的发生风险增加0.281倍(OR=1.281,95%CI:1.123~1.462)。
结论在60岁及以上人群中WWI与低eGFR存在相关性,并且当人群WWI>11.316时,随着WWI的增加低eGFR的发生风险更大,该人群应当关注WWI的水平,这对其慢性肾功能损害的早发现早诊断早治疗有积极作用。
【总页数】5页(P628-632)【作者】阿娜尔·高少;迪丽胡玛尔·艾力;巴合古·依明尼亚孜;顾园申;余文慧;戴江红【作者单位】新疆医科大学公共卫生学院【正文语种】中文【中图分类】R193【相关文献】1.哈萨克族人群腰围、体重指数与血压关系的研究2.锡林郭勒盟55岁以上人群体重指数及腰围与脑血管病的关系3.哈萨克族人群腰围、体重指数与血压关系的研究4.广州市20～59岁人群体重指数、腰围、腰臀比与血压的相关性分析5.四川省11~13岁儿童龋齿与体重指数、腰围的相关性研究因版权原因，仅展示原文概要，查看原文内容请购买。
中老年患者院内发生静脉血栓栓塞症风险预测模型的研究
中老年患者院内发生静脉血栓栓塞症风险预测模型的研究一、背景与意义随着人口老龄化的加剧，中老年患者在医疗机构接受治疗的风险也在逐渐增加。
静脉血栓栓塞症（VTE）是一种常见的并发症，特别是在住院的中老年患者中。
有研究表明，VTE的发生会增加患者的死亡率、致残率以及医疗成本。
识别和预测中老年患者院内发生静脉血栓栓塞症的风险至关重要。
本文将对《中老年患者院内发生静脉血栓栓塞症风险预测模型的研究》旨在为临床医生提供一种有效的风险评估工具。
静脉血栓栓塞症（VTE）是指血液在静脉内不正常地凝固形成血栓并阻塞血管腔的过程。
VTE可以在肢体部位形成，引起局部肿胀、疼痛和功能障碍；同时在肺部形成血栓可导致肺栓塞（PTE），引发呼吸困难、胸痛和严重时可导致死亡。
VTE是医院内非预期死亡的重要原因之一，并且会给患者及其家庭带来沉重的经济负担。
许多研究都证实了中老年患者患VTE的风险较高，而且VTE的发生往往与患者自身的风险因素密切相关。
目前临床上对于中老年患者个体化风险评估工具的缺乏，不能满足日益增长的治疗需求。
本研究旨在开发一个适用于中老年患者的院内静脉血栓栓塞症风险预测模型，以辅助医生及时识别高风险患者，采取相应的预防措施，降低静脉血栓栓塞症的发生率和相关并发症的风险。
该模型的建立有望为中老年患者在住院期间提供更为精准的个性化治疗与护理方案，有助于改善患者的预后和提高生活质量。
预测模型对医疗资源的合理分配也具有重要意义，有助于医疗机构更加高效地管理患者，降低社会医疗支出。
《中老年患者院内发生静脉血栓栓塞症风险预测模型的研究》将帮助我们更好地了解和评估中老年患者发生静脉血栓栓塞症的风险，从而为临床决策提供有力的依据。
1. 回顾相关文献，探讨当前评估VTE风险的方法及其局限性自从上世纪60年代以来，人们逐渐认识到VTE是一种严重的、可以预防的临床并发症。
随着研究的深入，多种评估VTE风险的方法应运而生，包括问卷调查、临床表现评估、实验室检查以及影像学检查等。
深入了解AI技术中的逻辑回归与决策树的应用与优化
深入了解AI技术中的逻辑回归与决策树的应用与优化人工智能（Artificial Intelligence，AI）技术在当今社会中扮演着越来越重要的角色。
其中，逻辑回归（Logistic Regression）和决策树（Decision Tree）作为AI领域中常见的两种算法模型，具有广泛的应用和优化空间。
本文将深入探讨逻辑回归和决策树的应用领域以及优化方法。
一、逻辑回归的应用与优化逻辑回归是一种用于处理分类问题的机器学习算法。
它通过将输入特征与权重相乘，并将结果通过一个逻辑函数（如sigmoid函数）映射到0到1之间的概率值，从而进行分类预测。
逻辑回归在实际应用中具有广泛的应用领域。
1.1 二分类问题逻辑回归最常见的应用是解决二分类问题。
例如，在医学领域，逻辑回归可以用于预测患者是否患有某种疾病。
通过对患者的特征进行收集和分析，逻辑回归可以根据这些特征预测患者是否患病，并帮助医生进行治疗决策。
1.2 多分类问题除了二分类问题，逻辑回归也可以扩展到多分类问题。
例如，在图像分类中，逻辑回归可以用于将图像分为不同的类别，如猫、狗、汽车等。
通过训练逻辑回归模型，可以根据图像的特征进行分类，并实现自动图像识别。
1.3 优化方法逻辑回归的性能可以通过多种优化方法进行改进。
例如，可以使用正则化技术（如L1正则化和L2正则化）来防止模型过拟合。
此外，还可以使用特征选择方法来选择最相关的特征，以提高模型的准确性和泛化能力。
二、决策树的应用与优化决策树是一种用于处理分类和回归问题的机器学习算法。
它通过将数据集分割成不同的子集，并在每个子集上应用特定的规则来进行预测。
决策树具有直观的可解释性和易于理解的特点，因此在实际应用中得到广泛应用。
2.1 分类问题决策树最常见的应用是解决分类问题。
例如，在金融领域，决策树可以用于评估客户的信用风险。
通过对客户的个人信息和财务状况进行分析，决策树可以根据这些信息预测客户的信用状况，并帮助银行进行贷款决策。
决策树模型在临床研究数据分析中的应用
·临床研究规范·决策树模型在临床研究数据分析中的应用沈范玲子1王瑞平1,2（1. 上海中医药大学公共健康学院上海 201203；2. 上海市皮肤病医院临床研究与创新转化中心上海 200443）摘要决策树模型是一种有监督的机器学习方法，分类规则通常采取IF-THEN形式，分析结果常以树形图呈现，具有可解释性强、易于理解的优势，在灾害预测、环境监测、临床诊疗决策等领域均有广泛的应用。
本文从决策树模型概念入手，介绍了决策树模型的一般构建步骤、分类与回归树（classification and regression tree, CART）决策树模型在临床研究数据分析中的应用，并应用SPSS软件示例CART决策树模型的构建过程和实现方法，以期为临床研究者采用决策树模型进行数据分析提供参考。
关键词决策树临床研究 CART算法 SPSS软件中图分类号：G304; R-3 文献标志码：C 文章编号：1006-1533(2024)05-0014-05引用本文沈范玲子, 王瑞平. 决策树模型在临床研究数据分析中的应用[J]. 上海医药, 2024, 45(5): 14-18.Application of decision tree modeling in clinical research data analysisSHEN Fanlingzi1, WANG Ruiping1,2(1. School of Public Health, Shanghai University of Traditional Chinese Medicine, Shanghai 201203, China;2. Clinical Research & Innovation Center, Shanghai Skin Disease Hospital, Shanghai 200443, China)ABSTRACT Decision tree model is a supervised machine learning method and its classification rules usually take the form of IF-THEN, the analysis results are often presented in the form of tree diagrams, with the advantages of solid interpretability and ease understanding, and it has been widely used in the fields of disaster prediction, environmental monitoring, clinical diagnosis and treatment decision-making. This article starts from the concept of decision tree model, introduces the general construction steps of decision tree model, the application of classification and regression tree (CART) decision tree model in the analysis of clinical research data, and the construction process and realization method of CART decision tree model using the SPSS software example, so as to provide a better solution for clinical researchers to use decision tree model for data analysis.KEY WORDS decision trees; clinical research; CART algorithm; SPSS software临床医学研究中，在探讨多个自变量和因变量之间关系时，常采用多元线性回归、logistic回归、Cox回归分析、广义线性模型等经典统计分析方法。
logistics回归,最优尺度回归,决策树
Logistics 回归
灵灵灵 灵灵灵
灵 灵 灵 灵 灵 灵 灵 灵 ROC 灵 灵
1.00
0.75
0.50
0.25
0.00 0.00
0.25
0.50
0.75
1.00
1-灵灵灵
ROC 灵 灵 灵 灵 灵 灵
自变量为数值型变量时 不宜选用此方法
结果不稳定； 样本量要求较高
Thanks
The End
血小板取自然对数后明显减弱了异常值的影响年龄收缩压舒张压ln血小板箱式图中均没有明显极端值年龄舒张压收缩压统计描述ln血小板logistics回归logistics单因素分析结果10logistics回归多因素分析结果单因素有意义多因素分析结果逐步回归激素对预防迟发型脑损伤的保护性作用最大即使用激素后脑损伤的发生风险会下降至原先的e9988211logistics回归12logistics回归将结果直接输出到一个word文档中logistic多因素odsrtffilemultirtf
较难，而CRT原理简单，根据本案例的分析目的，首选CRT。 （3）可要求树模型同时输出对候选自变量的重要性分析，以验证
logistics模型的变量筛选结果是否正确。 （4）树模型在结构上对样本进行反复拆分，对样本量要求较高。
但本案例201例样本太少，因此我们尽量放宽拟合条件，暂时不考 虑剪枝问题。
SPSS操作步骤
▶根据因变量类型，决策树可分为分类树和回归树两大类。
▶基本结构：根、叶、分支
决策树
▶基本思想：与方差分析中的变异分解极为相近，将总研究人群 通过某些特征（自变量）分成数个相对同质的亚人群。采用自顶向 下的方法，在决策树的内部结点进行属性值的比较并根据不同属性 值判断从该节点向下的分支，在树的叶节点得到结论。