Die Infektion mit Helicobacter pylori (im Folgenden als Hp bezeichnet) ist zu einem internationalen Problem geworden. Die Hp-Infektionsrate in China liegt bei etwa 50 bis 90 % und liegt damit über dem Durchschnitt der entwickelten Länder (50 bis 70 %). Die Infektion mit Helicobacter pylori ist in meinem Land zu einer Krise der öffentlichen Gesundheit geworden. Derzeit besteht in China kein Konsens über die Infektionswege und riskanten Verhaltensweisen von H. pylori. Wie man die Einflussfaktoren der Krankheit effektiv herausfinden kann, ist ebenfalls ein Thema, das in der Forschung diskussionswürdig ist.
Die heutige KI-Technologie für künstliche Intelligenz und die Big-Data-Analyse können eine wichtige Rolle in der Forschung und Hilfsanalyse spielen. In dieser Studie der leitende Apotheker des Krankenhauses für Traditionelle Chinesische Medizin der Stadt Zhongshan, Provinz Guangdong Yuan Yiming, Er teilt mit, wie er Daten verwendet, um die lineare Beziehung zwischen relativen Merkmalsdaten und Ergebnissen zu untersuchen, wobei er die Visualisierung und Interpretierbarkeit des maschinellen Lernens vollständig anwendet, mit dem Ziel, die Infektionsmuster und gefährlichen Verhaltensweisen von HP in China zu verstehen und eine benutzerfreundliche Lösung zu etablieren wirtschaftlich Das prädiktive Infektionsmodell bietet eine Referenz für asymptomatische Infektionen.
Als Forschungssubjekte wurden in dieser Studie gesunde Menschen ausgewählt, die sich im Endoskopie- und Untersuchungszentrum Kohlenstoff-13- und Kohlenstoff-14-Atemtests oder einem gastroskopischen Schleimhauttest zum Nachweis von Helicobacter pylori unterzogen hatten.
Die Forscher entwarfen auf der Grundlage von Experten- und Literaturdaten einen nicht skalierten elektronischen Fragebogen, der aus zwei und mehreren Kategorien im Zusammenhang mit einer Helicobacter-pylori-Infektion bestand. Das Fragebogenformular ist in drei Dimensionen und 63 Variablen unterteilt: ① Formular mit grundlegenden Patienteninformationen, ② Formular mit klinischen Manifestationen und ③ Formular mit Lebens- und Essgewohnheiten.
Der Forscher nutzte JMP Pro, um eine statistische Analyse der Daten durchzuführen. Zuerst wurde eine Einzelfaktoranalyse der Daten durchgeführt, dann wurde eine multiple logistische Regressionsanalyse durchgeführt, um ein Vorhersagemodell zu erstellen. Schließlich wurde ein Walddiagramm basierend auf den Ergebnissen der Modelleffektterme gezeichnet.
Hauptanalyseideen und -schritte
Schritt 1: Bereinigen Sie die vorhandenen Daten
Mit JMP können Batch-Variablen klassifiziert und verwaltet werden. Da es sich bei den gesammelten Variablen um qualitative Variablen handelt, werden in JMP Pro standardisierte Spaltenfunktionsoperationen für alle Variablen ausgeführt und alle Variablen werden einheitlich in Charakternamenvariablen umgewandelt.
Schritt 2: Validierungsspalten generieren
Die Verifizierungsfunktion von JMP kann verwendet werden, um die Daten in Trainingssatz und Verifizierungssatz zu klassifizieren. Die Trainingsgruppe und die Validierungsgruppe werden gemäß 7,5:2,5 zufällig ausgewählt, wie unten gezeigt:
Schritt 3: Einzelfaktoranalyse
Durch Notfallanalysen und die Vertriebsplattform kann festgestellt werden, dass Menschen in Etagen leben, Magenschmerzen, sauren Reflux, Blähungen, Appetitlosigkeit, Mundgeruch, bitteren Mund, Magenknurren, Hunger, Anämie, zu Hause kochendes Mittagessen und Rauch haben , und beim Ausgehen öffentliche Verkehrsmittel nutzen. Mit Ausnahme von Essstäbchen, der Gewohnheit, Servierstäbchen zu verwenden und ob Familienmitglieder und Freunde infiziert sind, gibt es für andere Variablen keine statistische Signifikanz.
Schritt 4: Multi-Faktor-Analyse
Klicken Sie in JMP auf das Menü „Analyse“ → „ Passendes Modell (Modell anpassen) ” (Abbildung 2), importieren Sie im Popup-Dialogfeld in „Y“, ob Sie mit Helicobacter pylori infiziert sind, und importieren Sie die zu analysierenden unabhängigen Variablen in das Feld „Konstruierter Modelleffekt“. Überprüfen Sie anhand der generierten Bestätigungsspalte.
Aus dem in der folgenden Abbildung gezeigten Effekt-Likelihood-Ratio-Test können wir erkennen, dass die Wahrscheinlichkeit von Mundgeruch, Mundgeruch, die Verwendung öffentlicher Essstäbchen, das Kochen des Mittagessens zu Hause, die Gewohnheit, öffentliche Essstäbchen zu verwenden, Anämie und die Anzahl der Stockwerke der Familie sind lebt in ist > Chi-Quadrat, was eine statistisch signifikante Signifikanz darstellt.
Anhand der Ergebnisse der Effektzusammenfassung können wir den Beitrag der unabhängigen Variablen erkennen
Aus den Ergebnissen der Effektzusammenfassung (Bild) spiegelt dieser Teil den Beitragswert jeder Variablen wider, der hauptsächlich durch den LogWorth-Wert widergespiegelt wird. Der LogWorth-Wert ist gleich -log 10 P.
Wie aus der folgenden Abbildung hervorgeht, sind unter den 15 unabhängigen Variablen Atem, Mundgeruch und die Gewohnheit, Essstäbchen zu verwenden, die größten Auslöser, während Übelkeit und Magenschmerzen einen geringeren Einfluss haben. Dieses Ergebnis kann intuitiv den Beitrag der unabhängigen Variablen widerspiegeln und auch als Referenz für das weitere Variablenscreening verwendet werden. Aus dem Gesamtmodelltest geht hervor, dass der Wert der Wahrscheinlichkeit > Chi-Quadrat weniger als 0,001 beträgt, was beweist, dass das Modell statistisch signifikant ist. Dabei werden Variablen mit geringen Beitragswerten gelöscht.
Vor dem Löschen
Nach dem Löschen
Parameterschätzungen
Durch Parameterschätzung (Bild) kann die Formel des entsprechenden Vorhersagemodells sowie der Einfluss jeder Variablen auf die endgültige Beobachtung ermittelt werden.
Modell Bestätigung
Die Flächen unter der ROC-Kurve der Trainingsgruppe und der Validierungsgruppe betrugen 0,7334 (95 %-KI 0,709 ~ 0,784) bzw. 0,7153 (95 %-KI 0,6729 ~ 0,7577). Nach der Analyse liegt das Modell auf einem guten Niveau.
Bestimmen Sie anhand der Waldkarte, welche Faktoren Schutzfaktoren und welche gefährliche Faktoren sind
Speichern Sie die Tabelle mit mehreren logistischen Regressionsergebnissen und OR-Werten und erstellen Sie im Diagrammgenerator ein Gesamtstrukturdiagramm basierend auf der Reihe von OR-Daten.
Durch die Ein-Faktor-zu-Mehr-Faktor-Regressionsanalyse lässt sich dies erkennen Blähungen, Mundgeruch, Mittagessen ( Kochen Sie es zu Hause ) , ob Sie zu Hause und beim Ausgehen Essstäbchen verwenden, ob Ihre Familienmitglieder infiziert sind und auf wie vielen Etagen Sie wohnen, sind die Hauptfaktoren für eine Helicobacter-pylori-Infektion. Anhand der Waldkarte können wir erkennen, welche Faktoren Schutzfaktoren und welche gefährliche Faktoren sind.
Zusammenfassend lässt sich sagen, dass wir durch die Analyse der Infektionsmerkmale und Risikoverhaltensfaktoren von Helicobacter pylori eine Richtung für die Erforschung der Infektionswege von Helicobacter pylori vorgeben und auf der Grundlage des erstellten Modells Pflegestrategien vor der Behandlung formulieren können.
Originaltextindex : Data Mining zur Erstellung von Vorhersagemodellen sowie Präventions- und Behandlungsstrategien für Patienten mit Helicobacter-pylori-Infektion [J]. Zeitschrift für Gastroenterologie und Hepatologie ,2022,31(09): 992-998.
Wenn Sie sich für die Ideen und Methoden dieser Fallstudie interessieren oder weitere vertiefende Gespräche mit dem Autor führen möchten, können Sie sich gerne für das JMP-Online-Seminar am 27. April, 14:00-15:30 Uhr anmelden:
Klicken Sie hier, um sich zu registrieren
Zu diesem Zeitpunkt wird Dr. Yuan den JMP-Live-Übertragungsraum besuchen, um Ihnen ausführlich die wertvollen Analyseideen und Erfahrungen dieser Fallstudie mitzuteilen. Wundervoller Inhalt, verpassen Sie ihn nicht! Jetzt Testen Sie JMP 17 30 Tage lang kostenlos .
Literatur-Empfehlungen:
