基于数据挖掘的地震创伤患者入院后结局预测模型.doc

《基于数据挖掘的地震创伤患者入院后结局预测模型.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、描述：目的模式识别技术（PRT）是一种挖掘重要信息的新型工具，可以从海量数据中提取新的知识。基于汶川特大地震中创伤患者的数据，笔者采用PRT建立地震伤员结局预测模型，旨在为提高灾难医学救援水平提供一种新...【摘要】目的 模式识别技术（PRT）是一种挖掘重要信息的新型工具，可以从海量数据中提取新的知识。基于汶川特大地震中创伤患者的数据，笔者采用PRT建立地震伤员结 局预测模型，旨在为提高灾难医学救援水平提供一种新的方法。方法 采用回顾性数据挖掘方法，数据来自于四川省医学科学院创伤数据中心2008年5月12日至20日收治的2316例住院地震伤患者病例信息。将患者资料按照 生

2、存与死亡、是否发生多器官功能不全综合征（multiple organ dysfunction syndrome， MODS）分组。根据正态性分布检验结果，计量资料以均数±标准差（x±s）或者中位数（四分位数）表示，统计检验采用Student T检验或者Wilcox检验；计数资料采用构成比表示，统计检验采用χ2检验或者Fisher检验。多元统计分析采用偏最小二乘法 判别分析（partial least square-discriminant analysis， PLS-DA）。多元聚类图采用二维主成分的PLS的投影图，并采用重要性投影指标值（variable importa

3、nt projection，VIP）筛选与临床结局相关的重要变量，工效曲线（receiver operating characteristic curve， ROC）作变量灵敏性分析。结果 经数据清理后1919例患者的病例资料纳入研究；筛选出31项人口学指标、生理-生化指标以及干预因素作为暴露参数；获得36例院内死亡病例和17例 MODS病例。MODS相关病死率为47.1%。经过PLS-DA分析，二维主成分得分图可以辨识出生存、MODS和死亡模式。对病死率和MODS进行预 测， ROC曲线下面积（area under curve， AUC）分别为0.882和0.979。P

4、LS-DA的重要性投影指标值（VIP）确定了8项生理指标（pH，BE，PaCO2，PaO2，HCO3，SBHCO3，Cr 和首日补液量）构成了与院内死亡和MODS发生的相关模型。结论 研究建立了一项可以预测特大地震创伤入院患者预后模型（由入院接受创伤治疗的生理-生化指标集合和液体复苏干预构成）。基于该模型，将有助于开发帮助医务 人员在特大灾难医学救援中早期预判高危患者的计算机辅助诊断系统。 2008年5月12日发生的四川汶川地震为例（里氏8.0级），参与救治的现场医疗队多达上千支，动员了数千家现场和后方医疗机构接收多达300万患者。尽早发现导致伤员死亡的相关因素，建立预后

5、预测模型，进而对于提高地震伤救治成功率，挽救生命，具有重要意义。 　　目前的研究大多数是描述性的伤员流行病学特征分析，往往采用单因素分析技术对影响患者结局相关的临床指标进行逐项筛选。欲全面、准确地获取地震伤致死相关因素，进而开发具有较高实用性的预后预测模型，必须引入新的思想和数学方法。 模式识别技术已经开始应用于临床大数据分析和构建预后预测模型。 模式识别的核心思想是将患者的病情（就创伤而言，包括受伤时情况、特定时点的生理生化指标）视为不同的、可区分的模式，随着治疗干预措施的实施，伤情模式 随之发展、变化，最终导致患者出现生或者死的最终结局。在这个意义上，由各种指标共同组

6、成的伤情模式较之单一指标更能提供多维度、立体的预后预测信息。 本研究拟基于模式识别技术，通过对汶川特大地震后一组住院伤员的大数据挖掘，发现影响患者病死的伤情相关因素组合模式，进而提出一种对大地震后伤员病死预 后的预测模型。 　　1 资料与方法 　　研究对象来源于四川省医学科学院·四川省人民医院2008年5月12日至5月20日期间收治入院的所有汶川地震伤员，总计2316例。对病例资料数据的使用，经四川省医学科学院·四川省人民医院医学伦理委员会批准。 　　通过该数据库中的数据，笔者在94项入院临床记录中进行数据筛选和清理。其中整理出了包括患者的年 龄、性别以及入院时的首日临床

7、资料共计31个临床指标作为特征用于进行与预后相关结局（死亡和发生MODS）的模式识别。本组病例患者多于短时间内由地震 灾区送入本院，其中60%来源于地震发生后2 d。短时间内大量患者涌入，除创伤科外，其他外科及内科专科医师均被动员参加伤员救治，大多数患者来院时未常规进行ISS评分。 　　结局指标：院内死亡及发生MODS（MODS诊断标准参考《2004严重感染和感染性性治疗指南》） 。 统计学方法：首先按照本实验室建立的临床数据挖掘操作手册对数据进行常规数据清理，基线数据按照生存与死亡分组，计量资料以均数±标准差（x±s）或者中