基于极限学习机的Cox模型在慢性心衰患者生存分析中的应用.pdfVIP

目 录 摘 要 I Abstract III 常用缩写词中英文对照表 VI 前 言 7 1 研究对象与方法 12 1.1 研究对象 12 1.2 研究方法 16 1.3 模拟研究26 2 结 果 28 2.1 基本情况28 2.2 自变量筛选28 2.3 生存模型的构建及结果36 2.4 模型预测性能的比较44 3 讨 论 47 3.1 Lasso Cox 和RSF 在生存分析中的应用 47 3.2 基于极限学习机的Cox 生存分析48 3.3 研究的创新之处49 3.4 研究存在的不足之处49 4 结 论 51 参考文献 52 综 述 57 致 谢 66 个人简历 68 山西医科大学硕士学位论文 基于极限学习机的Cox 模型在慢性心衰患者生存分析中的应用 摘 要 目的： 传统心力衰竭生存模型使用Cox 比例风险回归算法构建，但是其受到诸多限制， 如比例风险假设、变量选择偏差等。本文针对慢性心衰患者死亡的生存分析预测问题， 构建基于极限学习机的Cox 生存分析模型，实现对高删失比例、复杂变量关系的住院 患者EHRs 数据建模，提高生存模型的预测能力。为临床医师进行慢性心衰患者预后 评估及进行个性化治疗提供理论基础，并辅助制定高风险患者干预计划。 方法： 收集山西医科大学附属第一医院和山西省心血管医院2014 年1 月1 号至2019 年 4 月 15 号期间，心内科确诊为慢性心力衰竭并符合本研究纳入排除标准和知情同意 的住院患者完整病历资料5279 例。对符合本次研究的变量进行单因素Cox 分析，随 后利用Lasso Cox 回归、随机生存森林（Random Survival Forest, RSF）筛选出各自表 现最优的变量作为输入变量及ELM Cox 纳入全部变量，以是否死亡作为结局变量， 构建以上模型，探讨生存模型预测精度。另外，在真实数据建模前利用模拟数据，分 别模拟25% 、50%和75%三种不同删失比例下Lasso Cox、RSF 和ELM Cox 预测模型 的表现。 结果： 1、模拟研究结果显示，在25% 比例的删失数据时，RSF 和ELM Cox 两者性能相 差无几，C-index 均在0.75 以上， Lasso Cox 表现稍差。三种的IBS 均在0.1 以下， 三种算法整体性能比较稳定；在 50% 比例的删失数据时Lasso Cox 和RSF 表现逊于 ELM Cox，后者的C-index 和IBS 指标较另外两种模型表现优秀；在75% 比例的删失 数据时，三种模型的性能有所降低，C-index 均在0.6 以下，IBS 均在0.15 以上。总体 I 山西医科大学硕士学位论文 来看，随着删失数据比例的增加，三种算法的模型预测性能会逐渐降低，其中 ELM Cox 表现在三者中整体表现最好。 2 、Lasso Cox 和RSF 利用单因素Cox 分析筛选出有意义的54 个变量对其进行筛 选。Lasso Cox 最终入选模型的变量为：N 端前脑钠肽、游离三碘甲状原氨酸、纽约 分级、游离甲状腺素、年龄、红细胞分布宽度、白蛋白、肾功能不全、体质指数 、陈旧性心肌梗死、舒张压、强心剂、糖尿病、血清直接胆红素、β受体阻滞剂、 中性粒细胞绝对值、瓣膜病等共17 个变量；RSF 最终选取N 端前脑钠肽、纽约分级、 游离甲状腺素、红细胞分布宽度、白蛋白、年龄、中性粒细胞比值和体质指数8 个变 量进行后期建模。 3、模型预测能力评价：传统Cox 比例风险模型的C-index 最低为0.644 ，而IBS 最高为 0.221 ，相比其它三种模型表现最差。经过对原始数据集进行 Lasso 惩罚后的 Cox 模型表现比传统Cox 较好，两个指标上均要优于Cox 模型。其中ELM Cox 模型 的C-index 最高为0.77 ，说明该算法构建的模型准确率最高，IBS 仅为0.185 模型整 体表现最为稳定。本次真实数据研究结论与前文模拟研究结论基本一致，可以认为将 极限学习机的Cox 比例风险模型应用于慢性心衰患者生存分