郭奕瑞，李玉倩，王高帥，劉曉田，張路寧，張紅艷，王炳源，王重建

1)鄭州大學(xué)公共衛(wèi)生學(xué)院流行病學(xué)教研室 鄭州450001 2)鄭州大學(xué)藥學(xué)院臨床藥理學(xué)教研室 鄭州450001

#通訊作者，男，1977年10月生，博士，副教授，研究方向:心血管代謝性疾病，E-mail:tjwcj2005@126.com

隨著社會經(jīng)濟(jì)的發(fā)展、生活水平的提高，2 型糖尿病已成為嚴(yán)重威脅人類身心健康的重要疾?。?］。大量研究［2-3］顯示，對2 型糖尿病進(jìn)行社區(qū)干預(yù)是世界公認(rèn)的符合成本效益的、可降低心血管發(fā)病率的有效措施。因此，研究評價(jià)個體患2 型糖尿病的風(fēng)險(xiǎn)，對其采取有效的干預(yù)措施，可延緩疾病的發(fā)生，降低危害性。人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)是當(dāng)前具有智能模式識別能力的工具之一，在傳染病、腫瘤、高血壓及相關(guān)疾病的分類和診斷中的應(yīng)用已有報(bào)道［4-9］，但大多數(shù)是以臨床資料為基礎(chǔ)預(yù)測個體的患病風(fēng)險(xiǎn)，而基于現(xiàn)場調(diào)查的資料非常有限。該研究以2 型糖尿病流行病學(xué)現(xiàn)場調(diào)查資料為基礎(chǔ)，探討ANN 在2 型糖尿病預(yù)測中的作用，并將其與當(dāng)前醫(yī)學(xué)領(lǐng)域中廣泛應(yīng)用的logistic 回歸預(yù)測模型相比較，探討個體患2 型糖尿病風(fēng)險(xiǎn)的最佳預(yù)測模型。

1 對象與方法

1.1 研究對象 采用橫斷面調(diào)查的方法，對河南省某農(nóng)村社區(qū)年齡35～74 歲常住居民8 640 人進(jìn)行問卷調(diào)查、體格檢查及血生化指標(biāo)檢測。

1.2 調(diào)查內(nèi)容 問卷調(diào)查:包括社會人口學(xué)特征、個人疾病史與行為危險(xiǎn)因素等。體格檢查:身高、體重、腰圍、血壓等。生化指標(biāo):利用葡萄糖氧化酶法測定空腹血糖(FPG)。所有調(diào)查對象均簽署知情同意書。

1.3 2 型糖尿病和中心性肥胖診斷標(biāo)準(zhǔn) ①2 型糖尿病診斷參照美國糖尿病學(xué)會(ADA)2010年診斷標(biāo)準(zhǔn):FPG ＜6.1 mmol/L 為血糖正常(NFG);6.1≤FPG ＜7.0 mmol/L 為空腹血糖受損(IFG);既往有2型糖尿病史，或正在進(jìn)行降糖治療，或FPG≥7.0 mmol/L 為2 型糖尿病，并排除1 型糖尿病、妊娠糖尿病及其他特殊類型糖尿病。②中心性肥胖診斷標(biāo)準(zhǔn)參照2005年國際糖尿病聯(lián)盟(IDF)提出的代謝綜合征(MS)全球共識定義，即男性腰圍≥90 cm，女性腰圍≥80 cm。

1.4 訓(xùn)練集及檢驗(yàn)集設(shè)置 由于ANN 模型的預(yù)測預(yù)報(bào)能力與學(xué)習(xí)樣本質(zhì)量及信息緊密相關(guān)，故訓(xùn)練集的樣本量應(yīng)比檢驗(yàn)集多。該研究將8 640 份資料按照性別、年齡組指標(biāo)3∶1 隨機(jī)分為訓(xùn)練集(6 480人)與檢驗(yàn)集(2 160 人)兩部分，每組中2 型糖尿病患者與非患者的比例與原始數(shù)據(jù)保持一致。訓(xùn)練集用于篩選變量和建立預(yù)測模型，檢驗(yàn)集用于模型的檢驗(yàn)和評價(jià)。

1.5 統(tǒng)計(jì)學(xué)處理 使用Access 數(shù)據(jù)庫軟件平行雙人錄入數(shù)據(jù)。運(yùn)用Matlab 7.1 軟件編程建立ANN預(yù)測模型;采用SAS 9.1 建立二分類非條件logistic回歸模型，繪制兩個模型預(yù)測判別的受試者工作特征(ROC)曲線，通過ROC 曲線下面積(AUC)評價(jià)模型。

2 結(jié)果

2.1 一般人口學(xué)特征 該研究共納入有效研究對象8 640 人，其中訓(xùn)練集6 480 人，檢驗(yàn)集2 160 人。統(tǒng)計(jì)分析顯示，訓(xùn)練集和檢驗(yàn)集相關(guān)影響因素之間差異均無統(tǒng)計(jì)學(xué)意義(表1)。

表1 訓(xùn)練集和檢驗(yàn)集研究對象人口學(xué)特征

2.2 Logistic 回歸預(yù)測模型的建立 以是否患2 型糖尿病為因變量，以可能的影響因素為自變量進(jìn)行2 型糖尿病的單因素和多因素logistic 回歸分析，自變量賦值情況見表2。多因素分析時(shí)，以α =0.05作為選入變量的標(biāo)準(zhǔn)，α =0.1 作為剔除變量的標(biāo)準(zhǔn)，采用偏最大似然估計(jì)前進(jìn)法進(jìn)行逐步回歸分析，最后共篩選出7 個影響因素(表3)，建立了logistic回歸模型。

表2 非條件logistic 回歸分析自變量賦值表

表3 2 型糖尿病患病影響因素的多因素logistic 回歸分析

2.3 ANN 預(yù)測模型的建立 以可能的影響因素作為輸入神經(jīng)元，構(gòu)建ANN 預(yù)測模型。輸入變量:年齡、性別、職業(yè)、文化程度、婚姻狀況、人均年收入、吸煙、飲酒、體力活動、高脂飲食、蔬菜水果攝入、2 型糖尿病家族史、高血壓家族史、高血壓史、脈搏、脈壓差、中心性肥胖(賦值情況見表2);輸出變量:是否患2 型糖尿病，構(gòu)造人工神經(jīng)網(wǎng)絡(luò)。其結(jié)構(gòu)為:輸入層含17 個神經(jīng)元，隱含層19 個神經(jīng)元(可調(diào))，輸出層1 個神經(jīng)元，對應(yīng)預(yù)測變量(即是否患2 型糖尿病)。

2.4 模型預(yù)測能力的評價(jià) 見圖1、表4。ANN 預(yù)測模型靈敏度、特異度、陽性預(yù)測值、陰性預(yù)測值、AUC 均優(yōu)于logistic 回歸預(yù)測模型。

圖1 ROC 曲線A:logistic 回歸;B:ANN 預(yù)測模型。

表4 Logistic 回歸與ANN 預(yù)測模型預(yù)測能力評價(jià)

3 討論

危險(xiǎn)度評價(jià)作為流行病學(xué)的研究方法，在探索病因研究方面已得到廣泛應(yīng)用。Logistic 回歸分析屬于非線性概率模型中的一種，主要適用于因變量為分類變量的回歸分析，已成為一種常用的評價(jià)疾病危險(xiǎn)度的分析方法［10-11］。但是對慢性非傳染性疾病而言，由于影響疾病狀態(tài)的因素眾多，作用方式復(fù)雜，以流行病學(xué)資料為基礎(chǔ)，利用傳統(tǒng)線性判別函數(shù)這種“剛性”方法進(jìn)行疾病狀態(tài)預(yù)測，就存在很大的局限性。ANN 是根據(jù)生物神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)、功能及某些基本特性方面的理論抽象、簡化和模擬而構(gòu)成的一種信息處理系統(tǒng)［12-13］，該模型突破了傳統(tǒng)的線性處理模式，避開了復(fù)雜的參數(shù)估計(jì)過程去解決一系列變量關(guān)系不能精確地用函數(shù)表達(dá)的分類與回歸問題，能夠?yàn)槊课谎芯繉ο蟆傲矿w裁衣”地給出一個特定的預(yù)測結(jié)果，從而實(shí)現(xiàn)有效的預(yù)測判別功能［14］。

在預(yù)測模型的評價(jià)過程中，靈敏度和特異度是其中重要的指標(biāo)，較高的靈敏度和特異度預(yù)示著該模型具有較強(qiáng)的預(yù)測判別性能。同時(shí)，ROC 曲線是應(yīng)用廣泛的評價(jià)兩種診斷方法、診斷水平的方法［15］，ROC 曲線可直觀地觀察靈敏度和特異度之間的關(guān)系，AUC 越大其診斷試驗(yàn)的準(zhǔn)確度越大。該研究結(jié)果顯示:ANN 預(yù)測模型可獲得比logistic 回歸分析更好的預(yù)測效果，對于同一測試樣本，其靈敏度、特異度、陽性預(yù)測值及陰性預(yù)測值均高于logistic 回歸分析，研究結(jié)果與錢玲等［16］的報(bào)道相一致。

該研究證實(shí)了ANN 能夠較準(zhǔn)確地判別特定個體是否發(fā)病，可對具體的個體作出比較準(zhǔn)確的預(yù)測，為解決個體發(fā)病預(yù)測提供了一種新方法，同時(shí)也為2 型糖尿病高發(fā)風(fēng)險(xiǎn)的評估、個體化的預(yù)防及綜合防治措施的制定提供了科學(xué)依據(jù)。但是，該研究建立的預(yù)測模型與其他常用的數(shù)學(xué)模型一樣，作為一種數(shù)據(jù)處理方法，主要從數(shù)據(jù)上反映疾病的發(fā)展變化趨勢，一旦相關(guān)參數(shù)發(fā)生變化或無法獲得相應(yīng)參數(shù)，也就無法作出有效預(yù)測。此外，有很多影響2 型糖尿病發(fā)病的因素未被充分考慮到模型中，從而影響了結(jié)果的準(zhǔn)確性，因此在實(shí)際應(yīng)用中，還必須考慮其他因素對預(yù)測結(jié)果的影響。

［1］Nathan DM，Buse JB，Davidson MB，et al.Medical management of hyperglycemia in type 2 diabetes:a consensus algorithm for the initiation and adjustment of therapy:a consensus statement of the American Diabetes Association and the European Association for the Study of Diabetes［J］.Diabetes Care，2009，32(1):193

［2］Whiting DR，Guariguata L，Weil C，et al.IDF diabetes atlas:global estimates of the prevalence of diabetes for 2011 and 2030［J］.Diabetes Res Clin Pract，2011，94(3):311

［3］Norris SL，Kansagara D，Bougatsos C，et al.Screening adults for type 2 diabetes:a review of the evidence for the U.S.Preventive Services Task Force［J］.Ann Intern Med，2008，148(11):855

［4］孫錦峰，耿云亮，郭奕瑞，等.Elman 神經(jīng)網(wǎng)絡(luò)與ARIMA 模型對流感發(fā)病率預(yù)測效果的比較［J］.鄭州大學(xué)學(xué)報(bào):醫(yī)學(xué)版，2013，48(5):584

［5］Sato F，Shimada Y，Selaru FM，et al.Prediction of survival in patients with esophageal carcinoma using artificial neural networks［J］.Cancer，2005，103(8):1596

［6］Dumont TM，Rughani AI，Tranmer BI.Prediction of symptomatic cerebral vasospasm after aneurysmal subarachnoid hemorrhage with an artificial neural network:feasibility and comparison with logistic regression models［J］.World Neurosurg，2011，75(1):57

［7］Forberg JL，Green M，Bjork J，et al.In search of the best method to predict acute coronary syndrome using only the electrocardiogram from the emergency department［J］.J Electrocardiol，2009，42(1):58

［8］張矗，吳逸明，吳擁軍，等.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在纖維支氣管鏡診斷肺癌中的應(yīng)用［J］.鄭州大學(xué)學(xué)報(bào):醫(yī)學(xué)版，2010，45(1):113

［9］Lin CC，Bai YM，Chen JY，et al.Easy and low-cost identification of metabolic syndrome in patients treated with second-generation antipsychotics:artificial neural network and logistic regression models［J］.J Clin Psychiatry，2010，71(3):225

［10］Li YC，Chiu WT，Jian WS.Neural networks modeling for surgical decisions on traumatic brain injury patients［J］.Int J Med Inform，2000，57(1):1

［11］Linder R，Konig IR，Weimar C，et al.Two models for outcome prediction a comparison of logistic regression and neural networks［J］.Methods Inf Med，2006，45(5):536

［12］Smith AE，Nugent CD，McClean SI.Evaluation of inherent performance of intelligent medical decision support systems:utilising neural networks as an example［J］.Artif Intell Med，2003，27(1):1

［13］Lin CS，Chiu JS，Hsieh MH，et al.Predicting hypotensive episodes during spinal anesthesia with the application of artificial neural networks［J］.Comput Meth Prog Biomed，2008，92(2):193

［14］Wadie BS，Badawi AM，Abdelwahed M，et al.Application of artificial neural network in prediction of bladder outlet obstruction:a model based on objective，noninvasive parameters［J］.Urology，2006，68(6):1211

［15］Reichlin T，Hochholzer W，Bassetti S，et al.Early diagnosis of myocardial infarction with sensitive cardiac troponin assays［J］.N Engl J Med，2009，361(9):858

［16］錢玲，施侶元，程茂金.人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于糖尿病和糖耐量受損的個體發(fā)病預(yù)測［J］.中國慢性病預(yù)防與控制，2005，13(6):277