脑卒中风险预估模型摘要通过对中国卒中大数据创新服务平台提供.DOC

脑卒中风险预估模型 摘 要：通过对中国卒中大数据创新服务平台提供的脑卒中数据进行处理，分析并建立一个较好的脑卒中预测模型，辅助临床的诊断治疗。首先对数据进行初筛，使其符合脑卒中风险预估的要求。接着对这些因素进行卡方检验，进而排除与脑卒中不相关的因素。然后按照因素的特征将其分为四类，分别是传统的八项，生活习惯类，既往病史类以及生化指标类，并且分别对这四类进行多元逻辑回归分析，再通过比较ROC曲线下的面积大小，得出最优的模型。最后对最优模型构建神经网络结构，便于评估其对脑卒中的影响。由卡方检验的数据可知与脑卒中相关的因素有性别，教育，既往脑卒中，既往短暂性脑缺血发作，高血压，血脂异常，糖尿病，房颤或瓣膜性心脏病，抽烟，缺乏运动，超重，脑卒中家族史 ，酗酒，吃蔬菜频率，糖化血红蛋白含量和低密度脂蛋白胆固醇。将这些相关因素按照特征和属性分为八项，生活习惯类，既往病史类和生化指标类，并分别对其做逻辑回归分析，由结果可知既往病史类的因素对预测脑卒中风险有较明显的效果。同时对既往病史类因素构建神经网络结构，由结果可以清晰地了解到既往病史对脑卒中风险预估的贡献。通过对试验结果的分析，既往病史模型相对于传统的八项模型表现出更好的特异性，所以在预测脑卒中风险的时候需要同时考虑八项因素和患者的既往病史。 关键字：脑卒中 卡方检验 逻辑回归分析 神经网络结构 ROC曲线 Abstract: By anal