基于数据挖掘的川崎病并发冠状动脉病变的预测模型

摘要

研究背景： 川崎病（KD）最严重的并发症是冠状动脉病变（CAL）,可引起缺血性心脏病、心肌梗死及碎死等。寻找 KD发生CAL的高危因素对KD的防治有重要意义。 目的： 发现川崎病（KD）并发冠状动脉病变（CAL）的危险因素并建立KD并发CAL的风险预测模型，为KD的实验研究和临床诊疗提供建议和决策支持。 方法： 收集KD患者的基本信息、临床检验数据、超声心动图数据和医生诊断报告的电子病历数据，通过数据预处理后形成初始数据集。对初始数据集进行关联分析，筛选出预测CAL最有意义的指标用于建立CAL风险预测模型。用随机森林、贝叶斯网络以及人工神经网络方法分别建立KD并发CAL的风险预测模型，分别对不同模型的预测效果进行评估。 结果： 男性、年龄小于2岁、C反应蛋白水平高、中性粒细胞数量增多、血沉高、血小板计数增多是KD并发CAL的主要危险因素。C反应蛋白,血小板,谷草转氨酶与谷丙转氨酶的比值,血沉与CAL之间的相互关联性较大。C反应蛋白高、中性粒细胞增多、白蛋白低、前白蛋白低、嗜酸性粒细胞高、平均红细胞血红蛋白低、红细胞分布宽度低及体酮呈阳性可作为CAL严重程度加剧的危险因素。随机森林模型的预测效果优于其余两模型，其灵敏度为0.825，即能将82.5%的患CAL的患者正确识别。 结论： 通过数据挖掘方法对KD患者电子病历数据的分析，发现了KD并发CAL的高危因素以及CAL严重程度加剧的危险因素，并建立了KD并发CAL的风险预测模型，为KD的实验研究和临床诊疗提供建议和决策支持。

目录

声明

英汉缩略语名词对照

1前言

1.1研究背景及意义

1.2论文主要内容及结构安排

2基本理论与方法

2.1数据挖掘方法

3数据预处理

3.1数据来源及准备

3.2数据预处理

4关联规则分析

4.1分析步骤

4.2规则发现

5川崎病并发冠状动脉病变的风险预测模型

5.1随机森林模型

5.2贝叶斯网络模型

5.3人工神经网络模型

5.4模型评估

6讨论

7结论与展望

参考文献

文献综述：数据挖掘方法在医学领域中的应用研究综述

致谢

攻读学位期间发表的学术论文