论文部分内容阅读
摘 要：目前，心血管疾病已經成为重大的公共卫生问题，我国的心血管发病率呈持续长升趋势。对心血管疾病进行多因素关联分析可为临床决策提供指导作用。因此，通过加权似然函数法构建树，基于粒子群算法实现模型参数优化，选取具有最大加权似然函数值的路径为最优路径，从而实现疾病关联分析研究。通过仿真实验，充分表明基于粒子群算法的关联分析具有良好的稳定性。
关键词：心血管疾病;粒子群算法;关联分析
中图分类号：F24 文献标识码：A doi：10.19311/j.cnki.1672-3198.2020.07.044
0 引言
目前，中国心血管病的发病人数持续增长，且心血管疾病占城乡居民总死亡原因的首位，从近年来中国心血管病（CVD）与其它疾病的死亡率对比统计分析情况中可以看出，以10万为基数，农村与城市相对比，CVD死亡率比为295.63：261.99，其中心脏病死亡率比为143.72：136.21、脑出血比为74.51：52.25和脑梗死比为45.30：41.99。由此可见，心脑血管疾病的防治已成为重大的公共卫生问题。目前，尽管临床医生和研究者开展了与心血管疾病的大量相关研究，但更多地局限于某些指标的影响分析，缺乏普适的分析方法实现与疾病相关的致病因素研究。针对此问题，本文提出一种基于粒子群算法的疾病关联分析方法，为临床诊疗提供决策支持。
1 方法
2 实验分析
采用仿真实验数据对方法进行验证。分别生成疾病组和对照组，设置100个指标属性，并分别设置与心血管疾病相关的致病因素数量为50、60、70、80和90。在不同的人群风险度PAR下进行致病因素的识别。获得每组数据的四个性能指标，TP（真阳性）、FP（假阳性）、TN（真阴性）和FN（假阴性），取其均值进行如下几个指标统计：（1）识别致病因素的准确率（Accuracy）;（2）总体准确率（TA）;（3）查全率（CR）;（4）误报率（FPR）;（5）F-Score;（6）相关系数φ。从实验结果可见，在不同的PAR和致病因素设置下，模型性能表现较为一致，充分说明算法具有一定的稳定性。识别致病因素的准确率均值可达到90%左右，总体准确率接近80%，查全率达到80%以上，F1值为80%以上。但误报率相对较高，为20%～40%，相关系数均值为0.5左右，说明此算法假阳性结果较高，仍有改善空间。
3 结论
本文方法采用粒子群算法优化模型参数，采用加权似然函数值识别出各指标属性构建的最佳路径。实验表明所提方法具有一定的识别能力，但仍存在相对较高的误报率，且相关系数偏低，说明在稀疏矩阵中粒子群算法表现性能一般，仍需考虑进一步优化，降低误识率。在未来研究中，还应充分考虑指标属性间的关联影响。
参考文献
[1]陈伟伟，高润霖，刘力生，等.中国心血管病报告2013概要[J].中国循环杂志，2014，（7）：487-491.
[2]Brandon C，Saonli B ，Sharmistha G，et al.Weighted Score Tests Implementing Model-Averaging Schemes in Detection of Rare Variants in Case-Control Studies[J].PLOS ONE，2015，10（10）：e0139355.
关键词：心血管疾病;粒子群算法;关联分析
中图分类号：F24 文献标识码：A doi：10.19311/j.cnki.1672-3198.2020.07.044
0 引言
目前，中国心血管病的发病人数持续增长，且心血管疾病占城乡居民总死亡原因的首位，从近年来中国心血管病（CVD）与其它疾病的死亡率对比统计分析情况中可以看出，以10万为基数，农村与城市相对比，CVD死亡率比为295.63：261.99，其中心脏病死亡率比为143.72：136.21、脑出血比为74.51：52.25和脑梗死比为45.30：41.99。由此可见，心脑血管疾病的防治已成为重大的公共卫生问题。目前，尽管临床医生和研究者开展了与心血管疾病的大量相关研究，但更多地局限于某些指标的影响分析，缺乏普适的分析方法实现与疾病相关的致病因素研究。针对此问题，本文提出一种基于粒子群算法的疾病关联分析方法，为临床诊疗提供决策支持。
1 方法
2 实验分析
采用仿真实验数据对方法进行验证。分别生成疾病组和对照组，设置100个指标属性，并分别设置与心血管疾病相关的致病因素数量为50、60、70、80和90。在不同的人群风险度PAR下进行致病因素的识别。获得每组数据的四个性能指标，TP（真阳性）、FP（假阳性）、TN（真阴性）和FN（假阴性），取其均值进行如下几个指标统计：（1）识别致病因素的准确率（Accuracy）;（2）总体准确率（TA）;（3）查全率（CR）;（4）误报率（FPR）;（5）F-Score;（6）相关系数φ。从实验结果可见，在不同的PAR和致病因素设置下，模型性能表现较为一致，充分说明算法具有一定的稳定性。识别致病因素的准确率均值可达到90%左右，总体准确率接近80%，查全率达到80%以上，F1值为80%以上。但误报率相对较高，为20%～40%，相关系数均值为0.5左右，说明此算法假阳性结果较高，仍有改善空间。
3 结论
本文方法采用粒子群算法优化模型参数，采用加权似然函数值识别出各指标属性构建的最佳路径。实验表明所提方法具有一定的识别能力，但仍存在相对较高的误报率，且相关系数偏低，说明在稀疏矩阵中粒子群算法表现性能一般，仍需考虑进一步优化，降低误识率。在未来研究中，还应充分考虑指标属性间的关联影响。
参考文献
[1]陈伟伟，高润霖，刘力生，等.中国心血管病报告2013概要[J].中国循环杂志，2014，（7）：487-491.
[2]Brandon C，Saonli B ，Sharmistha G，et al.Weighted Score Tests Implementing Model-Averaging Schemes in Detection of Rare Variants in Case-Control Studies[J].PLOS ONE，2015，10（10）：e0139355.