融合注意力机制和BP神经网络的2型糖尿病风险预测研究

目的基于融合注意力机制和BP神经网络模型建立2型糖尿病风险预测模型,为糖尿病高危人群提供个性化的预测。方法于2019年7月—2021年2月对安徽省蚌埠市社区的慢性病队列进行纵向随访研究,共纳入2334名研究对象。采用Python 3.9软件进行分析,利用基于Python的深度学习框架PyTorch来实现注意力机制和BP神经网络结构。以是否患2型糖尿病为因变量,将数据集按照8︰2的比例划分训练集和测试集,使用融合注意力机制和BP神经网络模型进行建模与分析,并与经典的机器学习模型对比预测性能。基于准确率、精确率、召回率、F1分数以及训练过程中绘制的损失值曲线和准确率曲线进行模型评价。结果融合注意力机制和BP神经网络模型在训练集中准确率为0.9630,精确率为0.9725,召回率为0.9572,F1分数为0.9648;在测试集中准确率为0.9722,精确率为0.9756,召回率为0.9683,F1分数为0.9719。在训练过程中,融合注意力机制和BP神经网络模型得到的损失值曲线和准确率曲线均优于对比模型。结论相较于BP神经网络模型和传统机器学习模型,融合注意力机制和BP神经网络模型的预测性能更佳,可及时准确识别2型糖尿病患者,实现2型糖尿病的早发现和早治疗,以预防并减缓对其身体带来的危害。

数学建模课程的规范化教学方式探索

现代教育注重提升学生综合素质,突出教育过程的重要性,所以,教学规范化显得尤为重要。本文以数学建模课程教学的现有不足为切入点,加以研究,在此基础上分析数学建模课程的规范化教学思路,最后论述可行的教学方法,就确保教学内容覆盖性、建模过程可视化、促进学生深入参与等内容进行分析,服务于未来教育活动,以求保证学生成长成才和教育工作水平。

脂质蓄积指数和糖尿病家族史交互作用与糖尿病关系的研究

目的探讨脂质蓄积指数(lipid accumulation product,LAP)和糖尿病家族史交互作用对糖尿病患病风险的影响。方法利用logistic回归和受试者工作特征(receiver operating characteristics,ROC)曲线研究LAP与糖尿病的关系,并用交互作用引起的相对超额风险(the relative excess risk due to interaction,RERI),相互作用比例(attributable proportion due to interaction,AP)和协同指数(synergy index,SI)评价LAP和糖尿病家族史对糖尿病的交互作用。研究对象来源于2015年在安徽省蚌埠市某区进行的"创建省级慢性病管理示范区"项目,通过多阶段随机抽样方法在该区7个社区/街道进行抽样调查,共计纳入1777名研究对象。结果多因素logistics回归分析显示,LAP升高(OR=3.93,95%CI:2.47~6.27)是糖尿病发病的重要危险因素。男性中LAP预测糖尿病风险的能力优于BMI(Z=2.37,P=0.02),但与腰围(waist circumference,WC)比较差异无统计学意义(Z=1.23,P=0.22);女性中LAP的AUC与BMI(Z=2.57,P=0.01)和WC(Z=2.33,P=0.02)差异均有统计学意义。LAP和糖尿病家族史对糖尿病风险有交互作用(RERI:2.93,95%CI:0.33~5.52;AP:0.46,95%CI:0.21~0.72;SI:2.24,95%CI:1.21~4.15)。结论LAP增加与糖尿病发病风险密切相关,且其与糖尿病家族史对糖尿病发病存在交互作用。