论文部分内容阅读
目的通过对我国女性压力性尿失禁的影响因素进行Meta分析,将其危险因素作为神经网络模型的预设参数,结合南疆地区女性压力性尿失禁的相关数据建立预测模型,为预防和降低女性压力性尿失禁的发生以及提高女性群体的生活质量提供参考依据。方法通过在Pub Med、Clinicalkey、Web of Science、The Cochrane Library、万方（Wan Fang Data）、中国知网（CNKI）、维普（VIP）和中国生物医学（Sino Med）共8个数据库中,检索中国成年女性发生压力性尿失禁相关影响因素的文献研究。检索时限从建库至2020年5月。由2位研究者严格按照纳入排除标准,独自筛选和提取文献数据,对纳入文献进行偏倚风险评价后,运用Rev Man 5.3软件进行Meta分析,从而获得我国成年女性发生压力性尿失禁的危险因素。通过本课题组获取其中有关压力性尿失禁部分的相关数据。运用Epidata 3.1对流调所得原始数据进行双人录入并交叉核对。运用SPSS 25.0对流调所得原始数据进行筛选及分析,运用IBM SPSS Modeler Subscription建立多层感知器神经网络预测模型,同时对该模型进行测试及验证。结果Meta分析共纳入35个研究,涉及国内15个省/直辖市/自治区,共计94043例样本量,涉及20个影响因素。结果显示:年龄[OR=2.39,95%CI（2.02,2.82）,P<0.00001]、劳动强度[OR=1.48,95%CI（1.30,1.69）,P<0.00001]、体质指数（Body mass index,BMI）[OR=1.61,95%CI（1.44,1.81）,P<0.00001]、饮酒史[OR=1.38,95%CI（1.25,1.53）,P<0.00001]、高血压[OR=1.68,95%CI（1.35,2.08）,P<0.00001]、便秘[OR=1.62,95%CI（1.46,1.80）,P<0.00001]、呼吸系统病史[O R=2.46,95%CI（2.15,2.81）,P<0.00001]、泌尿系统病史[OR=2.31,95%CI（1.90,2.80）,P<0.00001]、妇科疾病史[OR=3.02,95%CI（1.35,6.72）,P=0.007]、孕次[OR=1.33,95%CI（1.08,1.63）,P<0.006]、产次（≥3次）[OR=1.53,95%CI（1.39,1.68）,P<0.00001]、第一胎胎儿体重[OR=2.10,95%CI（1.13,3.91）,P=0.02]、会阴裂伤[OR=1.51,95%CI（1.32,1.73）,P<0.00001]、阴道分娩[OR=1.91,95%CI（1.55,2.36）,P<0.00001]、绝经[OR=1.80,95%CI（1.48,2.19）,P<0.00001]、盆腔手术史[OR=2.15,95%CI（1.47,3.15）,P<0.0001]、子宫脱垂[OR=2.21,95%CI（1.68,2.91）,P<0.00001]均是我国女性发生压力性尿失禁的危险因素,剖宫产[OR=0.71,95%CI（0.51,0.97）,P=0.03]是我国女性压力性尿失禁的保护因素。在南疆地区共收集928例样本,其中排除男性、缺失身高、体重等数据者368例,最终纳入560例样本用于构建模型,其中发生压力性尿失禁者216例。采用SPSS Modeler Subscription数据挖掘软件建立多层感知器（MLP）神经网络模型,将560例样本按70%、15%、15%随机分成培训、测试及验证组(选择可重复的随机分配,随机种子为7462243。输入的预测变量为Meta分析结果,输出目标为压力性尿失禁。模型构建选项:创建标准模型,其含有两个隐藏层:第一层:20个神经元,第二层:15个神经元。中止条件为1.准确度达90%。2.或者模型无法继续减小误差,选择可复制结果,随机种子为477534151。运行结果提示模型准确性达86.8%,预测变量重要性排序提示年龄、BMI、第一胎胎儿体重、子宫脱垂、孕次、会阴裂伤等。通过75例样本对该模型进行验证,结果提示灵敏度为93.1%、特异度为80.43%、准确度为85.33%、AUC为0.924、Gini系数为0.848。结论1、当前证据显示,年龄、体质指数（BMI）、劳动强度、饮酒史、高血压、便秘、呼吸系统疾病史、泌尿系统疾病史、妇科疾病史、孕次、产次（≥3次）、第一胎胎儿体重、会阴裂伤、阴道分娩、绝经、盆腔手术史、子宫脱垂是我国女性压力性尿失禁的危险因素,而剖宫产是中国女性压力性尿失禁的保护因素。我国成年女性以及医务工作者应对以上危险因素,加以重视,并针对具有不同危险因素的患者进行个体化的干预或治疗,以期减少我国女性压力性尿失禁的发生和提高此类患者的生活质量。2、南疆地区女性压力性尿失禁的人工神经网络模型具有良好的预测效果,能够对个人及医师在压力性尿失禁的预防、治疗等干预过程中提供参考价值。