基于Logistic回归分析的缺血性心血管疾病危险预测模型

合集下载

急性心肌梗死并发心力衰竭的风险预测模型构建及验证

天津医药2023年11月第51卷第11期急性心肌梗死并发心力衰竭的风险预测模型构建及验证马萌雪1，马萍2，徐清斌2△，张世昌2摘要：目的分析急性心肌梗死（AMI）患者发生心力衰竭（HF）的影响因素，并构建风险预测模型。

方法纳入1061例AMI患者，分为模型构建的训练集（786例）和模型验证的测试集（275例）。

利用Lasso回归和多因素Logistic 回归构建AMI患者发生HF的预测模型，并绘制列线图。

采用受试者工作特征（ROC）曲线和校准曲线评价模型的区分度和校准度。

结果利用Lasso回归和多因素Logistic回归筛选出年龄、心率（HR）、ST段偏移、N端脑利钠肽前体（NT-proBNP）、同型半胱氨酸（Hcy）、纤维蛋白原（Fib）、左心室射血分数（LVEF）共7个变量建立模型。

多因素Logistic回归构建预测模型的回归方程为Logit（P）=0.718×ST段偏移+0.042×年龄+0.037×HR+0.000294×NT-proBNP+ 0.040×Hcy+0.220×Fib-5.617×LVEF-5.781。

预测模型训练集的ROC曲线下面积（AUC）为0.846（95%CI：0.817~ 0.875），敏感度为78.50%，特异度为76.60%。

校准曲线显示训练集患者HF的发生率与实际发生率基本相符。

利用测试集对模型进行外部验证，AUC为0.848（95%CI：0.801~0.896），敏感度76.40%，特异度78.00%。

结论AMI患者发生HF与ST段偏移、年龄、入院HR、NT-proBNP、Hcy、Fib、LVEF有关，利用以上变量构建的预测模型具有较高的预测效能，有助于早期识别此类患者。

关键词：心肌梗死；心力衰竭；危险因素；预测；列线图；敏感性与特异性中图分类号：R541文献标志码：A DOI：10.11958/20230055Construction and verification of risk prediction model for acute myocardialinfarction with heart failureMA Mengxue1,MA Ping2,XU Qingbin2△,ZHANG Shichang21Department of Geriatrics and Special Needs,2Department of Cardiovascular,Cardiovascular and Cerebrovascular Disease, the General Hospital of Ningxia Medical University,Yinchuan750000,China△Corresponding Author E-mail:Abstract:Objective To analyze the factors affecting of heart failure(HF)in patients with acute myocardial infarction (AMI),and use the selected indicators to construct a risk prediction model.Methods A total of1061AMI patients were included,and they were divided into the model-constructed training set(786cases)and the test set(275cases).Lasso regression and multiple Logistic regression were used to build a predictive model for HF occurrence in AMI patients,and a Nomogram diagram was drawn.Receiver operating characteristic(ROC)curve and calibration curve were used to evaluate the discrimination and calibration of the model.Results Lasso regression and multiple Logistic regression were used to select7variables to establish the model,including age,heart rate(HR),ST segment deviation,N-telencephalic natriuretic peptide precursor(NT-proBNP),homocysteine(Hcy),fibrinogen(Fib)and left ventricular ejection fraction(LVEF).The regression equation for constructing predictive model by multivariate Logistic regression was Logit(P)=0.718×ST segment 作者单位：1宁夏医科大学总医院心脑血管病医院老年与特需医学科（邮编750000），2心血管内科作者简介：马萌雪（1995），女，硕士，住院医师，主要从事冠心病、心力衰竭的临床研究。

疾病预后预测模型的构建及应用

疾病预后预测模型的构建及应用近年来，疾病预后预测模型的构建及应用备受关注。

疾病预后预测模型利用数学、统计学和人工智能等方法处理大量的临床数据和分析病人病程，评估病情的严重程度、预测病情的发展趋势、预测疗效和预后等方面的信息。

疾病预后预测模型不仅能指导临床医生制定更科学的治疗方案，还能帮助病人做最为恰当的选择，减轻病人和家庭的负担，提高医疗服务的效果和质量。

一、疾病预后预测模型的构建方法疾病预后预测模型的构建是基于数据的。

构建疾病预后预测模型，首先需要确定研究对象，并收集相关数据。

数据来源可以是临床医疗记录、医院信息系统、病例报告、医学文献等。

在收集数据之前，需要对疾病的诊断标准、起病时间、病程及治疗方法等作出明确的定义和描述。

然后，要进行数据的预处理和清洗。

通常预处理和清洗的内容包括异常值检测和补充、缺失值处理、噪声处理、变量选择等。

接下来，选择合适的数据建模方法。

常用的数据建模方法包括Logistic回归、Cox比例风险模型、神经网络、支持向量机等。

数据建模的方法选择应该与研究对象和研究问题相关，要根据具体的情况进行选择。

在数据建模之后，需要对模型进行评价。

评价的方法包括样本内预测精度、交叉验证、留一法等。

评价模型的主要目的是检验模型的准确性和可靠性，并得到模型的预测能力。

在评价模型之后，就可以用模型来进行预测了。

二、疾病预后预测模型的应用现状疾病预后预测模型的应用已经在许多领域得到了充分的证明。

例如，在癌症、心脏病、糖尿病等疾病领域，疾病预后预测模型发挥了重要的作用。

它可以帮助医生更好地了解病人的疾病状况，预测治疗效果和预后情况。

在癌症领域，疾病预后预测模型可用于预测患者的生存期和治疗效果。

例如，对口腔癌的疾病预后预测研究表明，口腔癌患者的存活率可以通过外周血细胞比例、治疗方案、肿瘤方位和临床分期等疾病特征进行预测。

在医疗实践中，疾病预后预测模型的应用可以帮助患者更好地了解治疗的可能效果，选择最适合自己的治疗方案。

心血管疾病风险评估研究综述

心血管疾病风险评估研究综述马兴录;杨文文;冯云霞【摘要】首先,介绍了当今国内外经典的心血管疾病风险评估模型,详细论述和比较了这些模型的基本思想和优缺点;接着,总结了近年来国内外常用的心血管疾病风险评估算法,分析和对比了已有算法的优点以及存在的问题;最后,指出了目前心血管疾病风险评估在评估质量上存在的不足,并提出了一些建议和展望.【期刊名称】《计算机应用》【年(卷),期】2018(038)0z2【总页数】4页(P111-114)【关键词】心血管疾病;风险评估;危险因素;风险评估模型;风险评估建模方法【作者】马兴录;杨文文;冯云霞【作者单位】青岛科技大学信息科学技术学院,山东青岛266061;青岛科技大学信息科学技术学院,山东青岛266061;青岛科技大学信息科学技术学院,山东青岛266061【正文语种】中文【中图分类】TP301.60 引言心血管疾病(CardioVascular Disease,CVD)是世界范围内威胁人类健康的疾病，其发病隐匿，潜伏期长，发病后很难痊愈[1]。

随着我国经济的发展和人民生活水平的提高，我国心血管病的患病率和死亡率逐年增加，并呈现出发病年轻化和农村死亡率高于城市的特点。

《心血管病报告2017》[2]指出，我国心血管疾病现患人数约2.9亿，其中高血压2.7亿，脑卒中1 300万，冠心病1 100万，肺源性心脏病500万，心力衰竭450万，风湿性心脏病250万，先天性心脏病200万，我国每年因心血管疾病死亡的人数约402.6万，占城乡居民死亡人口总数的45%，死亡率居各疾病之首。

尽管人们对心血管疾病的研究或认知已有很大提高，相应的诊断或治疗方法也不断进步，但它迄今仍是人类死亡的首要原因；因此，采取有效措施预防和治疗心血管疾病尤为重要。

心血管疾病风险评估模型可以有效识别心血管疾病高危人群，明确各危险因素对心血管疾病发展的影响，帮助个体制定个体化的干预措施，进而减少患病风险，是防治心血管疾病的重要措施之一。

ICU综合征多因素Logistic回归分析及风险模型的建立1 (1)

ｓｙｄｒｏｍｅａｎｄｅｓｔａｂｌｉｓｈｍｅｎｔｏｆｒｉｓｋｍｏｄｅｌＹＡＮＧＸｉａ，ＬＩＵＹｉ—
ＬｏｇｉｓｔｉｃａｎａｌｙｓｉｓｏｆＩＣＵ
ｌａｎ，ＣＨＥＮＤｏｎｇ—ｅ，ＨＵＡＮＧＨａｉ－ｙａｈ．Ｔｈｅ
ＡｆｆｉｌｉａｔｅｄＸｉｅｈｅ
Ｈｏｓｐｉｔａｌ
ｏｆＴｏｎａｌＭｅｄｉｃａｌ
（３１．４２５＋２．６１ｌＸｌ＋＆１８８Ｘｚ－－２．６７７Ｘ３＋７．４７４Ｘ４“３１２Ｘ５＿ｖ６．１５３Ｘ６）】，
其中Ｐ值越接近于１，患者发生ＩＣＵ综合征的可能性越大；Ｐ值越接近于０，患者发生ＩＣＵ综合征的可能性越小见表３。４．预测模型的评价。将包含常数项与６个变量的模型以概率值０．５作为交界点，得出的预测值与实际数据结果显示：
ｓｃｏｒｅ
ｉｎｃｏｍｅ，ｅｄｕｃａｔｉｏｎｄｅｇｒｅｅ，ｐｒｉｍａｒｙｄｉｓｅａｓｅ，ｃｈａｒａｃｔｅｒｔｙｐｅ，Ａ－
ｗａｓ
ａｎｄ
ｅｔ
ａ１．Ｃａｓｅ・ｃｏｎｔｒｏｌｓｔｕｄｙ
ｕｓｅｄ
ｔｏ
ｒｅｔｒｏｓｐｅｃｔｉｖｅｌｙｉｎｖｅｓｔｉｇａｔｅｔｈｅｃｌｉｎｉｃａｌｄａｔａｏｆＩＣＵ
ｓｙｄｒｏｍｅ．Ｆｉｒｓｔｌｙ．ｓｉｎｇｌｅｆａｃｔｏｒｓｉｏｎ
ＰｒａｃＮｕｔｓ。Ｎｏｖｅｍｂｅｒ１ｓｔ
２００９，Ｖ０１．２５１塑坐！ｎ
・４９・
ＩＣＵ综合征是危重患者在ＩＣＵ监护过程中出现的以精神障碍为主，兼具其他表现的一组Ｉ临床综合征，它是伴随社会的发展和科学的进步，危重症诊治水平提高而出现的一种疾患【１．：１。它不仅加重患者的既有疾患，还明显延长ＩＣＵ监护时间，影响患者预后。而目前国内ＩＣＵ医护人员多关注患者生理疾病的诊治，对ＩＣＵ综合征关注较少，对其相关因素分析不够全面，不能制定有效的医疗护理措施，降低其发生率。２００７年６－９月本研究收集所有入住我科的危重症患者的相关资料，以分析ＩＣＵ综合征发生的相关因素，并建立风险模型，现报道如下。资料与方法１．一般资料。２００７年６—９月所有入住我科的危重症患者２３２例，年龄１５—８ｌ岁，平均年龄（６２．５±１７．２）岁，本组患者中有２４例在ＩＣＵ治疗期间死亡，另有７例患者在结束ＩＣＵ治疗时意识未恢复，实际进入本研究的患者２０１例，男７２例，女１２９例。呼吸系统疾病３８例，神经系统疾病１１例，消化系统疾病６３例，妇产科疾病１９例，循环系统疾病１７例，运动系统疾病３１例，其他疾病３３例。其中接受呼吸机治疗者９４例。２．方法。数据采集包括：（１）一般资料，所有患者在入住ＩＣＵ即刻，由当班护士通过询问患者及家属收集，包括年龄、性别、文化程度、宗教信仰、家庭收入、医疗费报销情况、是否有家庭成员缺失、原发病、患病时间、性格类型，其中性格类型根据张伯源主持的全国性协作组修订的Ａ型行为类型量表测查Ｉ３１；（２）疾病危重情况，由经治医生每日行ＡＰＡＣＨＥ

老年高血压合并糖尿病患者并发缺血性心脏病的危险因素分析

老年高血压合并糖尿病患者并发缺血性心脏病的危险因素分析目的探讨老年高血压合并糖尿病患者并发缺血性心脏病的危险因素。

方法将我院收治的87例老年高血压合并糖尿病患者作为研究对象，依据是否并发缺血性心脏病分成对照组47例（未并发缺血性心脏病）与观察组40例（并发缺血性心脏病），对两组患者的吸烟史、家族史、甘油三酯、糖化血红蛋白等多项指标进行分析与比较。

结果观察组血尿酸、总胆固醇及甘油三酯水平显著高于对照组，差异有统计学意义（P＜0.05）；以是否合并缺血性心脏病作为因变量进行Logistic多因素回归分析，发现老年高血压合并糖尿病患者并发缺血性心脏病主要与患者的年龄、吸烟、高甘油三酯血症、高尿酸血症以及经常发作低血糖等因素有关。

结论吸烟、高甘油三酯血症、经常发作低血糖以及高尿酸血症等是诱发老年高血压合并糖尿病患者并发缺血性心脏病的几项重要危险因素。

标签：高血糖；糖尿病；缺血性心脏病；危险因素现如今，高血压、糖尿病是当前临床领域的常见疾病，并且近些年来，高血压合并2型糖尿病的发病率呈现出逐年上升的趋势。

临床研究发现，高血压合并糖尿病患者发生如脑卒中、冠心病等心血管并发症的发生率显著高于单纯高血压及糖尿病患者[1]。

我院对收治的87例老年高血压合并糖尿病患者的临床资料开展回顾性分析，旨在探讨该疾病合并缺血性心脏病的相关危险因素，现报道如下。

1 资料与方法1.1 一般资料将我院2010年2月～2014年6月收治的87老年高血压合并糖尿病患者作为研究对象，其中男53例，女34例，年龄61～85岁，平均年龄（70.8±3.4）岁。

排除最近3个月之中发生急慢性感染、糖尿病急性并发症以及其他应急情况的患者。

1.2 诊断标准87例患者均符合我国高血压防治指南中的相关诊断标准。

缺血性心脏病的诊断标准为：依据患者临床症状表现并经心肌核素检查或心电图检查后证实发生心肌缺血，或存在陈旧性心肌梗死病史，或经冠脉造影结果显示1支或1支以上冠脉近端、中端狭窄程度≥50%。

(卫生统计学)第十九章 Logistic回归分析

由于各变量指标单位不同，不能用βj的大小比较各xi的作用大小，而须用标准化偏回归系数β’j 来比较。
结果解释
3个βi的估计值都是正数，表明这三个因素都是危险因素且都有统计学意义。从优势比OR上可以看出，在因素x2和x3固定不变时，因素x1每增加一个等级所引起的优势比为增加前的3.034倍；在因素X1和X3固定不变时，因素x2 每增加一个等级所引起的优势比为增加前的2.019倍。在因素x1和x2固定不变时，因素x3每增加一个等级所引起的优势比为增加前的2.651倍。同时在考察因素相对贡献大小时，从标准系数看， β'1> β' 3 > β'2 ，故x1的相对贡献比x2和 x3大。
OR
P1 P0
/1 /1
P1 P0
e i
亦称比数比
反映某一个危险因素 xi在不同暴露水平下发病与不发病的比。
当阳性率 P 1时， OR RR
二、参数估计
由于Logistic回归是一种概率模型，通常采用最大似然估计法（maximum likelihood estimate）求解模型中的参数βj的估计值 bj (j=0,1,2,….k)。
1. 相对危险度 RR（ Re lative Risk ） RR P1 P0
反映某一个危险因素 xi两个不同暴露水平 1与 0的发病率的比
2. 优势 Odds
Odds P1 P1 1 P1 q1
亦称比数
反映某一个危险因素 xi在暴露水平 1下发病率与不发病率的比
3. 优势比 OR （ Odds Ratio ）
个例预测
设某AMI患者在症状5小时内送到医院（x3=0），未发生休克（x1=0），已有心衰（x2=1），求抢救成功的概率。

医学统计学16-logistic回归

B：回归系数。当其他变量保持不变时，Xj每增加

a. Variable(s) entered on step 1: X2. b. Variable(s) entered on step 2: X4.
或减少1个单位时，OR值自然对数的平均变化量。 Exp (B)：OR值（经校正的，或调整的OR值， B 2.096 e Exp ( B ) e 8.13 adjusted odds ratio） lnExp( B) B SE：回归系数的标准误 Wald值：对回归系数进行假设检验的统计量
2. SPSS的操作步骤
Logistic regression 对话框
将Y选入Dependent栏，X1 ~X5选入 Covariate栏，选择Forward:LR法。单击Options按钮。
Options对话框
单击Continue按钮
单击OK按钮
3. SPSS的结果与分析（1）数据基本情况
当缺失值没有或很少时逐步多因素logistic回归0步时的分析结果结果没有缺失值score统计量的结果与卡方检验一致无缺失值的情况下三多因素分析筛选独立的自变量进入模型例如动物脂肪摄入和体重指数在单因素分析都有统计学意义但多因素分析时只有动物脂肪摄入这个因素被引入模型
第十六章 logistic回归分析
11.17
8.14
0.044
0.054
1.07~116.44
0.97~ 68.62
表1 肾细胞癌转移的多因素logistic回归分析
影响因素肾细胞血管内皮生长因子 OR值（95％CI） P值
11.17 （1.07~116.44）
0.044
肾癌细胞核组织学分级
8.14 （ 0.97~ 68.62 ）

卫生统计学—Logistic回归分析

Logit 变换），
学习文档
变形: Ln (Odds)
ln(odds) ln( P ) Y 1 P
p
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1
-5 -4 -3 -2 -1 0 1 2 学习文3 档 4 5 y
一、基本概念
应变量Y
1 0
发生，未发生
自变量X1, X2,
exepx(pb(2ebx2 p1(.1b9.269S61bS2.b)92 6) Sebx2ep)x(p0(e.05x.25p62(106.1512.619学1.69习6文10档..9016.5175207).21)57(12(.1)2.42,4(21,.2.32.034)0, 2).30)
三、logistic回归模型的假设检验
1. 似然比检验基本思想是比较2种不同假设条件下的对数似然函数值差别的大小。在大样本时，若两个模型有嵌套关系，即对于其中一个模型中的某个自变量，而在另一个模型中包含所有其他所有自变量而无此自变量，那么这两个模型就构成了嵌套关系，则两个模型间的对数似然值乘以（-2）的结果之差近似服从卡方分布，即似然比（L.R.）
学习文档
H 0 : 两个模型在拟合优度上相同
H 1 :两个模型在拟合优度上不相同
G 2ln L (2ln L) 2ln L L
Model 1: 2 ln L , with k1 variables（变量数较少） Model 2: 2ln L , with k2 variables, k1 k2 .
ln
1
P P
=0
1
X1
2
X
2
m X m log itP
取值范围概率P：0～1，logitP：－∞～∞。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

中图分类号：０２１３：Ｒ５４１文献标识码：Ａｃｌｏｉ：１０．３９６９６．ｉｓｓｎ．１００７ — ９８３１．２０１７．０６．００３
ＲｉｓｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｏｆｉｓｃｈｅｍｉｃｃａｒｄｉｏｖａｓｃｕｌａｒｄｉｓｅａｓｅｂａｓｅｄｏｎＬｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓ
期第３７卷第６
２０１７钲
高师理科学刊
ＪｏｕｒｎａｌｏｆＳｃｉｅｎｃｅｏｆＴｅａｃｈｅｒｓＣｏｌｌｅｇｅａｎｄＵｎｉｖｅｒｓｉｔｙ
Ｖｏ１．３７Ｎｏ．６
摘要：结合缺血性心血管疾病（ＩＣＶＤ）的危险影响因素，使用Ｌｏｇｉｓｔｉｃ回归分析，建立适合我国人群的ＩＣＶＤ危险预测模型，并对模型进行了评价．
关键词：缺血性心血管疾病；Ｌｏｇｉｓｔｉｃ回归模型；危险因素
１数据来源与模型假设
数据来源于２０１５年中国统计年鉴，并假设：（１）在建立适合我国人群的缺血心血管疾病危险预测模型时不考虑不同地域环境等外在因素的影响；（２）作为解释变量的各指标是正交的，不考虑各指标之间的相关关系；（３）搜集的数据中所调查对象的各项生理指数是可以连续获得的．
Ｋｅｙｗｏｒｄｓ：ｉｓｃｈｅｍｉｃｃａｒｄｉｏｖａｓｃｕｌａｒｄｉｓｅａｓｅ；Ｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌ；ｒｉｓｋｆａｃｔｏｒ
ＬＩＹｏｎｇ－ｘｉｎ，ＹＡＮＹｕｎ－ｘｉａ，ＷＵＭｅｎｇ－ｈａｎ，ＬＩＰｅｉ－ｐｅｉ
（ＳｃｈｏｏｌｏｆＳｔａｔｉｓｔｉｃｓａｎｄＡｐｐｌｉｅｄＭａｔｈｅｍａｔｉｃｓ，ＡｎｈｕｉＵｎｉｖｅｒｓｉｔｙｏｆＦｉｎａｎｃｅａｎｄＥｃｏｎｏｍｉｃｓ，Ｂｅｎｇｂｕ２３３０３０，Ｃｈｉｎａ）
２基于Ｌｏｇｉｓｔｉｃ回归的ＩＣＶＤ危险预测模型的建立
通过查阅《中国心血管病报告２０１３》及大量文献可以看出，心血管疾病的危险因素有高血压、吸
收稿日期：２０１７ — ０２ — １０
基金项目：国家自然科学基金资助项目（１１６０１００１）；安徽财经大学教研项目（ａｃｊｙｚｄ２０１４２９）；国家级大学０３７８１７２）作者简介：李咏馨（１９９６－），女，安徽淮南人，在读本科生．Ｅ－ｍａｉｌ：１１１５７２４３７９＠ｑｑ．ｔｏｍ通信作者：闫云侠（１９６３一），女，天津人，副教授，从事应用数学及建模研究．Ｅ－ｍａｉｌ：ｙｙｘ一６６３＠１６３．ｃｏｎｒ
ｗａｓｕｓｅｄｔｏｅｓｔａｂｌｉｓｈａＩＣＶＤｒｉｓｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｓｕｉｔａｂｌｅｆｏｒｔｈｅＣｈｉｎｅｓｅｐｏｐｕｌａｔｉｏｎ，ａｎｄｔｈｅｍｏｄｅｌｗａｓｅｖａｌｕａｔｅｄ．
据世界卫生组织估计，２０１２年大约有１７５０万人死于心血管疾病，占全球死因的３１％，心血管疾病是心脏血管和脑血管疾病的统称．随着社会经济的发展，国民生活方式发生了深刻的变化，尤其是人口老龄化及城镇化进程的加速，我国心血管病危险因素流行趋势明显，导致了缺血性心血管疾病的发病人数持续增加．本文结合缺血ｌ生心血管疾病（ＩＣＶＤ）的危险影响因素，使用Ｌｏｇｉｓｔｉｃ回归分析，建立适合我国人群的ＩＣＶＤ危险预测模型．
Ａｂｓｔｒａｃｔ：Ｉｎｃｏｍｂｉｎａｔｉｏｎｗｉｔｈｔｈｅｒｉｓｋｆａｃｔｏｒｓｏｆｉｓｃｈｅｍｉｃｃａｒｄｉｏｖａｓｃｕｌａｒｄｉｓｅａｓｅ（ＩＣＶＤ），Ｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓ
６月
Ｊｕｎ．２０１７
文章编号：１００７ — ９８３１（２０１７）０６ — ０００９ — ０４
基于Ｌｏｇｉｓｔｉｃ回归分析的缺血性
心血管疾病危险预测模型
李咏馨，闫云侠，吴梦晗，厉培培
（安徽财经大学统计与应用数学学院，安徽蚌埠２３３０３０）