L'infezione da Helicobacter pylori (di seguito denominata Hp) è diventata un problema internazionale.Il tasso di infezione da Hp in Cina è compreso tra il 50% e il 90%, che è superiore al livello medio nei paesi sviluppati (dal 50% al 70%). L'infezione da Helicobacter pylori è diventata una crisi di salute pubblica nel mio paese. Al momento, non c'è consenso sulla via dell'infezione da Hp e sul comportamento a rischio in Cina.Anche come scoprire efficacemente i fattori che influenzano la malattia è un argomento degno di discussione nella ricerca.
L'odierna tecnologia di intelligenza artificiale AI e l'analisi dei big data possono svolgere un ruolo importante nella ricerca e nell'analisi ausiliaria. In questo studio, il capo farmacista dell'ospedale di medicina tradizionale cinese di Zhongshan, nella provincia del Guangdong Yuan Ying, Condividere come utilizza il data mining per esplorare la relazione lineare tra i dati relativi alle caratteristiche e i risultati, applica pienamente la visualizzazione e l'interpretabilità dell'apprendimento automatico, mira a comprendere la modalità di infezione e il comportamento pericoloso di Hp in Cina e stabilisce un sistema predittivo conveniente ed economico modello di infezione fornisce un riferimento per le infezioni asintomatiche.
In questo studio, sono state selezionate come oggetti di ricerca persone sane che hanno ricevuto test del respiro al carbonio-13 e carbonio-14 o test della mucosa sotto gastroscopio per verificare il rilevamento di Helicobacter pylori nel centro di endoscopia e esame fisico.
I ricercatori hanno progettato un questionario elettronico non in scala costituito da due categorie e più categorie relative all'infezione da Helicobacter pylori sulla base di esperti e dati della letteratura. Il questionario è suddiviso in tre dimensioni con 63 variabili: ①scheda informazioni di base del paziente, ②scheda manifestazioni cliniche e ③scheda abitudini di vita e alimentazione.
I ricercatori hanno utilizzato JMP Pro per l'analisi statistica dei dati. In primo luogo, è stata eseguita un'analisi a fattore singolo sui dati, quindi è stata eseguita un'analisi di regressione logistica multipla per stabilire un modello di previsione e, infine, è stato disegnato un diagramma della foresta basato sui risultati degli elementi dell'effetto del modello.
Principali idee e fasi dell'analisi
Passaggio 1: pulizia dei dati per i dati esistenti
Le variabili batch possono essere classificate e gestite utilizzando JMP. Poiché le variabili raccolte sono variabili qualitative, JMP Pro esegue operazioni standardizzate sulle funzionalità di colonna su tutte le variabili e converte uniformemente tutte le variabili in variabili nome di tipo carattere.
Passaggio due: generazione di colonne di convalida
Utilizzando la funzione di convalida di JMP, i dati possono essere classificati in set di addestramento e set di convalida. Secondo 7.5:2.5, seleziona casualmente il gruppo di addestramento e il gruppo di verifica, come mostrato nella figura seguente:
Fase tre: analisi univariata
Attraverso l'analisi delle contingenze e la piattaforma di distribuzione, si può scoprire che il pavimento vivente della folla, mal di stomaco, reflusso acido, gonfiore, perdita di appetito, alitosi, bocca amara, ronzio allo stomaco, fame, anemia, cucina a casa per pranzare, fumare e usare i mezzi pubblici quando si esce Fatta eccezione per le bacchette, l'abitudine di usare le bacchette per servire e se i membri della famiglia e gli amici sono infetti, altre variabili non hanno significato statistico.
Fase quattro: analisi multivariata
In JMP, fai clic sul menu "Analizza" → " modello adatto (Modello adatto) " (Figura 2), nella finestra di dialogo che si apre, importa o meno l'infezione da pylori in "Y" e importa le variabili indipendenti per l'analisi multivariata nella casella "Effetto modello di costruzione". Convalida in base alla colonna di convalida generata.
Dal test del rapporto di verosimiglianza dell'effetto mostrato nella figura sottostante, si può vedere che la probabilità di alitosi, alitosi, se usare le bacchette per servire, cucinare il pranzo a casa, l'abitudine di usare le bacchette per servire l'anemia e il numero di piani in cui la residenza abita > chi-quadrato ha significatività statistica.
Dai risultati di sintesi dell'effetto, possiamo vedere il contributo delle variabili indipendenti
Dai risultati di riepilogo dell'effetto (grafico), questa parte riflette il valore del contributo delle rispettive variabili, riflesso principalmente dal valore LogWorth, che è pari a -log 10 P.
Come si può vedere dalla figura sottostante, tra le 15 variabili indipendenti, l'alito, l'alito cattivo e l'abitudine di usare le bacchette pubbliche contribuiscono maggiormente, mentre la nausea e il mal di stomaco hanno un'influenza minore. Questo risultato può riflettere direttamente il contributo di variabili indipendenti e può anche essere utilizzato come riferimento per ulteriori screening delle variabili. Dal test del modello complessivo, il valore di probabilità > chi quadrato è inferiore a 0,001, il che dimostra che il modello costruito è statisticamente significativo. Qui, le variabili con valore di contributo basso vengono cancellate.
Prima della cancellazione
dopo la cancellazione
stime dei parametri
Attraverso la stima dei parametri (figura), è possibile ottenere la formula della modalità di predizione corrispondente e l'influenza di ciascuna variabile sull'osservazione finale.
validazione del modello
L'area sotto la curva ROC del gruppo di addestramento e del gruppo di verifica era rispettivamente 0,7334 (95% CI 0,709-0,784) e 0,7153 (95% CI 0,6729-0,7577). Dopo l'analisi, il modello è a un buon livello.
Secondo il diagramma forestale, quali fattori sono fattori protettivi e quali sono fattori di rischio
Salva i risultati di più regressioni logistiche e tabelle di valori OR e crea un grafico a foresta nel generatore di grafici basato sulla serie di dati OR.
Dall'analisi di regressione univariata a quella multivariata, si può vedere che Alito gonfio, alito cattivo, pranzo ( cucinare a casa ) , Se c'è l'abitudine di usare le bacchette per servire a casa e quando si esce, se i membri della famiglia che vivono insieme hanno l'infezione e quanti piani vivono in casa sono i principali fattori di infezione da Helicobacter pylori. Attraverso la carta forestale, possiamo vedere quali fattori sono fattori protettivi e quali sono fattori di rischio.
In sintesi, analizzando le caratteristiche dell'infezione e i fattori di comportamento a rischio dell'Helicobacter pylori, fornisce indicazioni per esplorare la via dell'infezione dell'Helicobacter pylori e formula strategie infermieristiche pre-trattamento basate sul modello costruito.
indice del testo originale : Data mining per costruire un modello di previsione e una strategia di prevenzione per i pazienti con infezione da Helicobacter pylori [J]. Giornale di gastroenterologia ed epatologia ,2022,31(09): 992-998.
Se sei interessato alle idee e ai metodi del caso di studio in questo articolo o desideri avere ulteriori scambi e discussioni approfondite con l'autore, ti invitiamo a iscriverti al seminario online di JMP il 27 aprile dalle 14:00 alle 15:00: 30:
iscriviti qui
In quel momento, il dottor Yuan visiterà la sala di trasmissione in diretta di JMP e condividerà con voi in dettaglio le preziose idee di analisi e l'esperienza di questo caso di studio. Contenuti meravigliosi, da non perdere! Ora Prova JMP 17 gratuitamente per 30 giorni .
Lettura consigliata:
