L'infection à Helicobacter pylori (ci-après dénommée Hp) est devenue un problème international.Le taux d'infection à Hp en Chine est d'environ 50 % à 90 %, ce qui est supérieur au niveau moyen des pays développés (50 % à 70 %). L'infection à Helicobacter pylori est devenue une crise de santé publique dans mon pays. À l'heure actuelle, il n'y a pas de consensus sur la voie de l'infection à Hp et les comportements à risque en Chine.Comment découvrir efficacement les facteurs influençant la maladie est également un sujet digne de discussion dans la recherche.
La technologie d'intelligence artificielle et l'analyse de mégadonnées d'aujourd'hui peuvent jouer un rôle important dans la recherche et l'analyse auxiliaire. Dans cette étude, le pharmacien en chef de l'hôpital de médecine traditionnelle chinoise de Zhongshan, province du Guangdong Yuan Yiming, Partagez comment il utilise l'exploration de données pour explorer la relation linéaire entre les données caractéristiques relatives et les résultats, applique pleinement la visualisation et l'interprétabilité de l'apprentissage automatique, vise à comprendre le mode d'infection et le comportement dangereux de Hp en Chine, et établit un outil pratique et économique Le prédictif modèle d'infection fournit une référence pour les infections asymptomatiques.
Dans cette étude, des personnes en bonne santé ayant subi des tests respiratoires au carbone 13 et au carbone 14 ou des tests muqueux sous gastroscope pour vérifier la détection d'Helicobacter pylori dans le centre d'endoscopie et d'examen physique ont été sélectionnées comme objets de recherche.
Les chercheurs ont conçu un questionnaire électronique sans échelle composé de deux catégories et de plusieurs catégories liées à l'infection à Helicobacter pylori sur la base d'experts et de données de la littérature. Le questionnaire est divisé en trois dimensions avec 63 variables : ①fiche d'information de base du patient, ②fiche des manifestations cliniques et ③fiche des habitudes de vie et alimentaires.
Les chercheurs ont utilisé JMP Pro pour l'analyse statistique des données. Tout d'abord, une analyse factorielle unique a été effectuée sur les données, puis une analyse de régression logistique multiple a été effectuée pour établir un modèle de prédiction, et enfin un diagramme en forêt a été dessiné sur la base des résultats des éléments d'effet du modèle.
Principales idées et étapes d'analyse
Étape 1 : Nettoyage des données pour les données existantes
Les variables de lot peuvent être classées et gérées à l'aide de JMP. Étant donné que les variables collectées sont des variables qualitatives, JMP Pro effectue des opérations d'entité de colonne standardisées sur toutes les variables et convertit uniformément toutes les variables en variables de nom de type caractère.
Deuxième étape : générer des colonnes de validation
À l'aide de la fonction de validation de JMP, les données peuvent être classées en ensemble d'apprentissage et en ensemble de validation. Selon 7.5:2.5, sélectionnez au hasard le groupe de formation et le groupe de vérification, comme indiqué dans la figure ci-dessous :
Troisième étape : Analyse univariée
Grâce à l'analyse des contingences et à la plate-forme de distribution, on peut constater que le sol vivant de la foule, des douleurs à l'estomac, des reflux acides, des ballonnements, une perte d'appétit, une mauvaise haleine, une bouche amère, des bourdonnements d'estomac, la faim, l'anémie, la cuisine à la maison pour déjeuner, fumer et utiliser les transports en commun pour sortir À l'exception des baguettes, de l'habitude d'utiliser des baguettes de service et de l'infection des membres de la famille et des amis, les autres variables n'ont pas de signification statistique.
Quatrième étape : Analyse multivariée
Dans JMP, cliquez sur le menu "Analyser" → " modèle adapté (Modèle adapté) " (Figure 2), dans la boîte de dialogue qui apparaît, importez l'infection pylori ou non dans "Y", et importez les variables indépendantes à analyser multivariée dans la boîte "Construction Model Effect". Validez en fonction de la colonne de validation générée.
D'après le test du rapport de vraisemblance des effets illustré dans la figure ci-dessous, on peut voir que la probabilité de mauvaise haleine, mauvaise haleine, s'il faut utiliser des baguettes de service, cuisiner le déjeuner à la maison, habitude d'utiliser des baguettes de service, anémie et combien d'étages vous vivez dans > chi carré, a une signification statistique significative.
À partir des résultats récapitulatifs des effets, nous pouvons voir la contribution des variables indépendantes
À partir des résultats récapitulatifs des effets (graphique), cette partie reflète la valeur de contribution des variables respectives, principalement reflétée par la valeur LogWorth, qui est égale à -log dix p.
Comme on peut le voir sur la figure ci-dessous, parmi les 15 variables indépendantes, l'haleine, la mauvaise haleine et l'habitude d'utiliser des baguettes en public contribuent le plus, tandis que les nausées et les douleurs à l'estomac ont moins d'influence. Ce résultat peut refléter directement la contribution des variables indépendantes et peut également être utilisé comme référence pour un filtrage ultérieur des variables. D'après le test du modèle global, la valeur de probabilité > chi carré est inférieure à 0,001, ce qui prouve que le modèle construit est statistiquement significatif. Ici, les variables à faible valeur de contribution sont supprimées.
Avant la suppression
après suppression
estimations des paramètres
Grâce à l'estimation des paramètres (figure), la formule du mode de prédiction correspondant et l'influence de chaque variable sur l'observation finale peuvent être obtenues.
Validation du modèle
L'aire sous la courbe ROC du groupe de formation et du groupe de vérification était de 0,7334 (IC à 95 % 0,709-0,784) et 0,7153 (IC à 95 % 0,6729-0,7577), respectivement. Après analyse, le modèle est à un bon niveau.
Selon le diagramme de la forêt, quels facteurs sont des facteurs de protection et lesquels sont des facteurs de risque
Enregistrez les résultats de la régression logistique multiple et des tableaux de valeurs OR, et créez un graphique en forêt dans le générateur de graphiques basé sur la série de données OR.
De l'analyse de régression univariée à multivariée, on peut voir que Haleine ballonnée, mauvaise haleine, déjeuner ( cuisiner à la maison ) , S'il y a une habitude d'utiliser des baguettes de service à la maison et en sortant, si les membres de la famille vivant ensemble sont infectés et combien d'étages la maison vit sont les principaux facteurs d'infection à Helicobacter pylori. Grâce à la carte forestière, nous pouvons voir quels facteurs sont des facteurs de protection et lesquels sont des facteurs de risque.
En résumé, en analysant les caractéristiques d'infection et les facteurs de comportement à risque d'Helicobacter pylori, il fournit une orientation pour explorer la voie d'infection d'Helicobacter pylori et formule des stratégies de soins infirmiers avant le traitement basées sur le modèle construit.
index du texte original : Exploration de données pour construire un modèle de prédiction et une stratégie de prévention pour les patients infectés par Helicobacter pylori [J]. Journal de gastroentérologie et d'hépatologie ,2022,31(09): 992-998.
Si vous êtes intéressé par les idées et les méthodes de l'étude de cas de cet article ou si vous souhaitez avoir des échanges et des discussions plus approfondis avec l'auteur, n'hésitez pas à vous inscrire au séminaire en ligne JMP le 27 avril de 14h00 à 15h00 : 30:
inscrivez-vous ici
À ce moment-là, le Dr Yuan visitera la salle de diffusion en direct du JMP et partagera avec vous en détail les précieuses idées d'analyse et l'expérience de cette étude de cas. Contenu merveilleux, ne le manquez pas! Maintenant Essayez JMP 17 gratuitement pendant 30 jours .
Lecture recommandée:
