川崎病早期冠状动脉损伤的认知图构建

摘要

目的：
　　构建川崎病（Kawasaki Disease，KD）急性期并发冠状动脉损伤（Coronary Artery Lesion，CAL）的预测模型和认知图（Cognitive Map，CM），对临床上该领域研究方法进行探讨。
　　方法：
　　通过查阅PubMed、Web of Science、EBSCCO、中国知网、万方、维普等数据库，提取既往研究中KD并发CAL危险因素的生物学指标，同时在数据库中提取KD患儿入院后第一次生化检查指标，删除缺失率超过5%的指标后对数据进行处理，采用B-P神经网络（Back Propagation Artificial Neural Network，BPANK）建立的预测模型来确定各指标广义权重（Generalize Weight，GW），利用贝叶斯网络（Bayesian Network，BN）挖掘各生物学指标与CAL的关系，结合GW确定在BPANN预测模型中与KD并发CAL有关的主要危险因素和各个因素间的关联强度，最后构建KD并发CAL的CM。
　　结果：
　　BPANN预测模型结果显示训练集的分类一致率为94.64%，灵敏度为63.76%,特异度为99.85%；测试集分类一致率为94.63%，灵敏度为53.45%，特异度为99.59%。GW散点图中红细胞、白细胞在整个模型中的权重接近于0；BN模型结果显示红细胞、白细胞计数与CAL独立，其余各个节点间存在7条关系，分别为年龄与红细胞压积，年龄与中性粒细胞百分比，血红蛋白与CAL，红细胞压积与血红蛋白，CAL与中性粒细胞百分比，血小板计数与中性粒细胞百分比，中性粒细胞百分比与C-反应蛋白。
　　结论：
　　根据患儿入院后第一次生化检查数据，采用BPANN方法建立KD患儿并发CAL的预测模型，提高了预测精度，对临床早期识别并发CAL的高危患儿具有参考意义。结合BN结果，构建年龄、血小板计数、红细胞压积、血红蛋白、C-反应蛋白、中性粒细胞百分比与CAL之间的CM，直观的显示了各指标间的关联关系及关联强度，对临床该领域研究方法进行了探讨。但由于BPANN模型灵敏度较低，还需纳入更多非生化指标因素，并与炎症、免疫相关疾病对照，结合数据挖掘的方法进一步研究。

目录

声明

符号说明

前言

1 研究背景

1.1 川崎病研究背景

1.2 数据挖掘研究背景

1.3 认知图研究背景

2研究目的和意义

3研究内容与方法

3.1研究内容

3.2研究方法

3.3研究流程图

第一部分：BPANN构建

1 材料与方法

1.1 研究对象

1.2数据提取

1.3数据处理

1.4 研究方法

2 研究结果

3 讨论

第二部分 KD并发CAL的CM

1 材料与方法

1.1数据处理

1.2研究方法

2 研究结果

3 讨论

结论

参考文献

文献综述：认知图及其在医疗卫生领域中的应用

致谢

攻读硕士学位期间的研究成果及发表的学术论文