鄭家浩 王愛民 于濱 馮超南 紀(jì)俊

摘要： ?針對糖尿病風(fēng)險(xiǎn)預(yù)測中數(shù)據(jù)單一導(dǎo)致預(yù)測誤差較大的問題，本研究基于體檢電子病歷數(shù)據(jù)分析搭建空腹血糖預(yù)測模型，探究適合進(jìn)行空腹血糖預(yù)測建模的方法，預(yù)測血糖指標(biāo)及糖尿病的患病風(fēng)險(xiǎn)?；跀?shù)據(jù)挖掘基本流程，進(jìn)行數(shù)據(jù)預(yù)處理，采用序列后向算法進(jìn)行特征選擇，使用決策樹、隨機(jī)森林、SVM、邏輯回歸及樸素貝葉斯分類5種機(jī)器學(xué)習(xí)算法進(jìn)行建模預(yù)測，并驗(yàn)證所構(gòu)建模型的效果。研究結(jié)果表明，五種算法的準(zhǔn)確率均高于88%，其中SVM準(zhǔn)確率最高，達(dá)96.7%;敏感度均高于66%，隨機(jī)森林敏感度最高，為95.1%;特異度均高于88%，邏輯回歸特異度最高，為97.0%;AUC的值均高于0.8，隨機(jī)森林最高為0.942。綜合比較序列后向選擇算法，隨機(jī)森林算法更適合搭建糖尿病風(fēng)險(xiǎn)預(yù)測模型。該研究對通過電子病歷數(shù)據(jù)進(jìn)行空腹血糖預(yù)測的準(zhǔn)確度更高，具有很高的應(yīng)用價值。

關(guān)鍵詞： ?體檢數(shù)據(jù); 空腹血糖; 機(jī)器學(xué)習(xí)算法; 糖尿病風(fēng)險(xiǎn)預(yù)測

中圖分類號： TP181; R587.1 文獻(xiàn)標(biāo)識碼： A

糖尿病是由多種復(fù)雜原因?qū)е碌慕K身代謝性疾病，以慢性高血糖為顯著特征[1]，根據(jù)2019年第九版全球糖尿病地圖顯示，20～79歲的糖尿病成年患者約有4.63億[2]。空腹血糖是糖尿病篩查的指標(biāo)之一，對空腹血糖的預(yù)測可預(yù)測患病風(fēng)險(xiǎn)，為醫(yī)生對體檢人員身體發(fā)展情況提供建設(shè)性意見。2015年，ShafiHabibi等人[3]利用決策樹算法對伊朗地區(qū)22 398例糖尿病患者的診斷數(shù)據(jù)進(jìn)行分析，準(zhǔn)確率達(dá)71.7%;2018年，López B等人[4]利用隨機(jī)森林構(gòu)建糖尿病預(yù)測模型，對677份單核苷酸多態(tài)性數(shù)據(jù)研究，預(yù)測模型最佳AUC值達(dá)0.89;2018年，肖輝等人[5]使用全國13家三甲醫(yī)院的調(diào)查報(bào)告和體檢數(shù)據(jù);2019年，張占林等人[6]針對烏魯木齊市2個社區(qū)7個月內(nèi)35～74歲的6 857條體檢數(shù)據(jù)進(jìn)行糖尿病風(fēng)險(xiǎn)預(yù)測，結(jié)果表明隨機(jī)森林算法的預(yù)測準(zhǔn)確度較高;基于文獻(xiàn)研究發(fā)現(xiàn)，糖尿病風(fēng)險(xiǎn)預(yù)測模型采用的數(shù)據(jù)集大多基于西方白種人群建立[78]，但研究表明白種人群建立的糖尿病風(fēng)險(xiǎn)預(yù)測模型[9]并不適用于其他種族，用戶數(shù)據(jù)包含生活習(xí)慣、病史等個人隱私，收集過程相對困難，且研究數(shù)據(jù)單一，大多數(shù)采用同年的體檢數(shù)據(jù)預(yù)測，誤差較大，此外特征選擇大多根據(jù)經(jīng)驗(yàn)，忽略了與血糖、糖尿病無直接相關(guān)性的數(shù)據(jù)項(xiàng)對空腹血糖的影響?；诖?，本研究選用某體檢機(jī)構(gòu)連續(xù)4年的體檢數(shù)據(jù)預(yù)測空腹血糖，表征糖尿病患病風(fēng)險(xiǎn)。通過序列后向選擇算法篩選日常體檢項(xiàng)目數(shù)據(jù)得到研究對象，探究更實(shí)用的空腹血糖預(yù)測模型。該研究對糖尿病預(yù)測具有重要意義。

1 資料與方法

1.1 研究對象

本研究采用北京某體檢機(jī)構(gòu)的數(shù)據(jù)，共108 386名用戶的9 691 699條體檢信息數(shù)據(jù)，時間范圍為2011年1月至2014年12月，其中連續(xù)4年體檢人員有8 788人，經(jīng)過數(shù)據(jù)清洗，最終將7 129名體檢者連續(xù)4年的體檢數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集。其中，男性3 876名，年齡為7～79歲，女性3 253名，年齡為10～74歲，男女比例分布如圖1所示，7 129名體檢者年齡分布如圖2所示，體檢者年齡最小為7歲，年齡最大為79歲，平均年齡33歲。

1.2 決策樹

決策樹（decision tree，DT）[10]是一種某項(xiàng)屬性與其值的映射關(guān)系，自頂向下遞歸的方式構(gòu)造形成樹狀結(jié)構(gòu)。決策樹是一種常見機(jī)器學(xué)習(xí)預(yù)測算法，使用信息學(xué)中信息熵的概念判斷節(jié)點(diǎn)的純度構(gòu)建決策樹。構(gòu)建決策樹自根節(jié)點(diǎn)開始，依次未分類項(xiàng)的數(shù)據(jù)屬性進(jìn)行測試，按照算法進(jìn)行計(jì)算，將結(jié)果逐層輸出分支，直至到達(dá)末端輸出的葉節(jié)點(diǎn)，并將葉節(jié)點(diǎn)存放的類別作為決策結(jié)果。

2 模型設(shè)計(jì)

本研究實(shí)驗(yàn)過程大致分為數(shù)據(jù)預(yù)處理、數(shù)據(jù)降維、建立模型和預(yù)測[21]四部分，空腹血糖預(yù)測模型流程圖如圖3所示。

2.1 數(shù)據(jù)預(yù)處理

實(shí)驗(yàn)數(shù)據(jù)來自某體檢中心2011年1月至2014年12月間共108 386條體檢者信息。數(shù)據(jù)預(yù)處理包括刪除存在數(shù)據(jù)錯誤和缺失數(shù)據(jù);標(biāo)準(zhǔn)化數(shù)據(jù)項(xiàng)結(jié)果中的非數(shù)據(jù)型或文本型記錄;刪除個人信息中涉及的隱私信息。體檢數(shù)據(jù)對數(shù)據(jù)項(xiàng)進(jìn)行選擇的標(biāo)準(zhǔn)如下：選擇糖尿病相關(guān)聯(lián)數(shù)據(jù)項(xiàng)，如血脂、尿糖、血清高密度脂蛋白膽固醇、脂肪肝、收縮壓、舒張壓等;選擇體檢者參加的常規(guī)項(xiàng)目，如血常規(guī)項(xiàng)目，尿常規(guī)項(xiàng)目等;較少數(shù)體檢者的項(xiàng)目，如某類實(shí)驗(yàn)室檢查等不選擇。

數(shù)據(jù)清洗后獲得7 129名體檢者連續(xù)4年的體檢數(shù)據(jù)。數(shù)據(jù)集共有139個特征，包括局部特征（每年有45個數(shù)據(jù)項(xiàng)，共3年），主要是血常規(guī)、尿檢、生化、超聲、心電等項(xiàng)目，還包括4個全局特征，即第4年空腹血糖、身高、年齡和性別，其中身高為4年身高數(shù)據(jù)均值;年齡為第3年的年齡;性別為第3年性別，第4年空腹血糖為目標(biāo)預(yù)測變量。

2.2 數(shù)據(jù)降維

序列后向選擇（sequential backward selection，SBS）[22]是數(shù)據(jù)集所含全部特征集O，從特征全集O中刪除一個特征x，使用刪除特征x后的數(shù)據(jù)集建模，循環(huán)此步驟直至得到最優(yōu)評價函數(shù)。

本文特征選擇應(yīng)用序列后向選擇算法，從全部特征集開始，每次從特征集中去掉按照隨機(jī)森林算法得到的特征重要性最低的一個特征，直至剩余兩個特征，尋找所有特征集合所構(gòu)建模型AUC值最高的特征集，將這個特征集稱為最佳特征子集[22]，最佳特征子集所構(gòu)建模型AUC的值最高為0.919。隨機(jī)森林特征重要性如表2所示，前17項(xiàng)為所使用體檢項(xiàng)，包含3年數(shù)據(jù)項(xiàng)共49項(xiàng)。

2.3 建模

使用決策樹、隨機(jī)森林、SVM、樸素貝葉斯分類和邏輯回歸5種學(xué)習(xí)算法，利用最佳特征子集進(jìn)行建模。以第4年的空腹血糖為目標(biāo)預(yù)測變量，將值大于7 mmol/L的賦值1，定為陽性;小于等于7 mmol/L賦值0，定為陰性，進(jìn)行建模預(yù)測，預(yù)測結(jié)果為1，則患糖尿病風(fēng)險(xiǎn)高，反之，風(fēng)險(xiǎn)低。實(shí)驗(yàn)過程中使用R語言4.0.2版本，以及R語言集成的rpart_4.115、randomForest_4.614和e1071_1.73等程序包進(jìn)行建模，并對模型參數(shù)進(jìn)行調(diào)整。

3 結(jié)果比較

為充分利用數(shù)據(jù)，本研究采用10折交叉驗(yàn)證方法在不同算法上建模。將數(shù)據(jù)集隨機(jī)分成10份，每次取9份作為訓(xùn)練集，剩余1份作為預(yù)測集，循環(huán)10次，確保所有數(shù)據(jù)都用于訓(xùn)練或預(yù)測。采用以上5種算法對數(shù)據(jù)集進(jìn)行訓(xùn)練和驗(yàn)證，求取每組所得結(jié)果的準(zhǔn)確率、敏感度、特異度、AUC作為此種算法的評價指標(biāo)。5種算法預(yù)測結(jié)果如表3所示。由表3可以看出，AUC值最高的是隨機(jī)森林算法，但決策樹算法和邏輯回歸的AUC值也超過0.9;從準(zhǔn)確率角度來看，所有算法均高于88%，最高算法為SVM，高達(dá)96.7%，最低是樸素貝葉斯分類，為88.5%;從敏感度角度來看，最高算法為隨機(jī)森林，高達(dá)95.1%，最低是SVM，為66.4%;從特異度角度來看，最高算法為SVM，高達(dá)98.7%，最低是樸素貝葉斯，為88.9%。綜合4個指標(biāo)，隨機(jī)森林算法較好。隨機(jī)森林算法模型特征重要性如表4所示，其中重要排名前三的體檢項(xiàng)為前3年空腹血糖。表4將每一年的體檢項(xiàng)作為一個數(shù)據(jù)項(xiàng)進(jìn)行分析，導(dǎo)致表2的排名有出入。由表4中可以看出，大部分特征的第3年特征的重要性高于其它年，說明最近一年的體檢情況更好的表征現(xiàn)在的身體狀況，對預(yù)測未來一年空腹血糖更重要，但不能忽視前兩年體檢數(shù)據(jù)的影響。

4 結(jié)束語

本研究基于連續(xù)4年的體檢數(shù)據(jù)，使用5種學(xué)習(xí)算法，利用最佳特征子集建立糖尿病風(fēng)險(xiǎn)預(yù)測模型，并對模型進(jìn)行評價和比較。其中，隨機(jī)森林所建模型綜合評價最好，準(zhǔn)確率為93.4%，更適合搭建以空腹血糖為標(biāo)準(zhǔn)的糖尿病風(fēng)險(xiǎn)預(yù)測模型。結(jié)合目前國內(nèi)外研究成果，證明隨機(jī)森林算法表現(xiàn)更好。該研究對定期體檢人群身體狀況可以實(shí)現(xiàn)精準(zhǔn)預(yù)測，不僅針對糖尿病患者，也為健康人群未來身體狀況提供參考意見。本研究所用數(shù)據(jù)均來自某體檢中心，由于地理位置的限制存在一定局限性，未來將結(jié)合其它地區(qū)數(shù)據(jù)進(jìn)行驗(yàn)證，探究區(qū)域間實(shí)驗(yàn)結(jié)果的差異。下一步將使用更多的特征選擇算法和建模算法優(yōu)化糖尿病風(fēng)險(xiǎn)預(yù)測模型，并將其用于研究其它體檢指標(biāo)或慢性病的預(yù)測模型。

參考文獻(xiàn)：

[1] 楊傳玲. 糖尿病治療的臨床護(hù)理研究[J]. 養(yǎng)生保健指南， 2019（21）： 58.

[2] 呂若瑜. 最新版“全球糖尿病地圖”里的中國景象[J]. 江蘇衛(wèi)生保健， 2020， 265（2）： 56.

[3] Habibi S， Ahmadi M， Alizadeh S. Type 2 diabetes mellitus screening and risk factors using decision tree： results of data mining[J]. Global Journal of Health Science， 2015， 7（5）： 304308.

[4] TorrentFontbona F， López B. Single nucleotide polymorphism relevance learning with random Forests for type 2 diabetes risk prediction[J]. Artificial Intelligence in Medicine， 2018， 85： 4349.

[5] 肖輝， 郝元濤， 徐曉， 等. 基于隨機(jī)森林算法和Logistic回歸模型的糖尿病風(fēng)險(xiǎn)因素研究[J]. 中國數(shù)字醫(yī)學(xué)， 2018， 13（1）： 3335.

[6] 張占林， 孫勇， 妥小青， 等. 隨機(jī)森林算法對體檢人群糖尿病患病風(fēng)險(xiǎn)的預(yù)測價值研究[J]. 中國全科醫(yī)學(xué)， 2019， 22（9）： 10211026.

[7] ?師正坤， 郭佳， Parry M， 等. 中國糖尿病風(fēng)險(xiǎn)評估工具的研究現(xiàn)狀與進(jìn)展[J]. 中國全科醫(yī)學(xué)， 2015， 18（20）： 23682372.

[8] Schulze M B， Hoffmann K， Boeing H， et al. An accurate risk score based on anthropometric， dietary， and lifestyle factors to predict the development of type 2diabetes[J]. Diabetes Care， 2007， 30（8）： 510515.

[9] Chien K， Cai T， Hsu H， et al. A prediction model for type 2 diabetes risk among chinese people[J]. Diabetologia， 2009， 52（3）： 443450.

[10] Rokach L， Maimon O. Topdoun induction of decision trees classifiersa survey[J]. IEEE Transactions ?on Systems Man and Cybernetics Part C Applications & Reviews， 2005， 35（4）： 476487.

[11] Breiman L. Random Forests[J]. Machine Learning， 2001， 45： 532.

[12] 曹正鳳. 隨機(jī)森林算法優(yōu)化研究[D]. 北京： 首都經(jīng)濟(jì)貿(mào)易大學(xué)， 2014.

[13] 王曉杰， 孫仁誠， 邵峰晶. 基于隨機(jī)森林的用戶對在線課程的放棄預(yù)測[J]. 青島大學(xué)學(xué)報(bào)： 工程技術(shù)版， 2016， 31（4）： 1821.

[14] Hefner J， Spradley M， Anderson B， et al. Ancestry assessment using random forest modeling[J]. J ForensicSci， 2014， 59（3）： 583589.

[15] Cossock D， Zhang T. Statistical Analysis of Bayes Optimal Subset Ranking[J]. IEEE Transactions on Information Theory ， 2008， 54（11）： 51405154.

[16] Liaw A， Wiener M. Classification and regression by random forest[J]. R News， 2002， 2（3）： 1822.

[17] 鞠維欣， 趙希梅， 魏賓， 等. 基于深度學(xué)習(xí)的肝硬化識別[J]. 青島大學(xué)學(xué)報(bào)： 工程技術(shù)版， 2018， 31（4）： 5460.

[18] Walker S H， Duncan D B. Estimation of the probability of an event as a function of several independent variables[J]. Biometrika， 1967， 54（1/2）： 167179.

[19] 冀偉. 基于數(shù)據(jù)挖掘的2型糖尿病風(fēng)險(xiǎn)預(yù)測模型研究[D]. 北京： 北京工業(yè)大學(xué)， 2019.

[20] Fawcett T. An introduction to ROC analysis[J]. Pattern Recognition Letters， 2006， 27（8）： 861874.

[21] 邵峰晶， 于忠清. 數(shù)據(jù)挖掘原理與算法[M]. 2版. 北京： 中國水利水電出版社， 2003.

[22] 肖文翔. 基于電子病歷分析的糖尿病患病風(fēng)險(xiǎn)數(shù)據(jù)挖掘方法研究[D]. 青島： 青島大學(xué)， 2016.