人工神经网络和 C R 决策树在慢性阻塞性肺疾病急性加重期患者诊断中的应用

摘要

目的：探讨人工神经网络技术和决策树在诊断慢性阻塞性肺疾病急性加重期（ AECOPD）患者痰湿蕴肺和外寒内饮中的应用价值。方法：基于 Clementine12.0软件的特征选择节点，临床筛选228例 AECOPD 痰湿蕴肺和外寒内饮患者的证候学调查和实验室检测，建立痰湿蕴肺和外寒内饮的人工神经网络以及决策树模型，将符合纳入标准的样本按3：1的比例分为训练集及测试集，其中训练集用于模型的建立，而测试集则用于模型正确率的验证。结果：采用多元 Logistic 回归分析的统计方法筛选出了咳嗽，咳痰以及神疲乏力等15项指标对模型构建具有重要的价值，多元 Logistic 回归分析正确率为77.19%。人工神经网络选用模型训练集诊断的正确率为84.746%，测试集诊断的正确率为91.89%。C&R 决策树模型的正确率是93.51%，C&R 决策树模型测试集诊断的正确率是87.84%。结论：人工神经网络以及 C&R 决策树模型能够诊断 AECOPD 患者痰湿蕴肺和外寒内饮证型，有助于促进证候的客观化神经网络模型的评价。