目的利用自适应合成抽样(adaptive synthetic sampling,ADASYN)与类别逆比例加权法处理类别不平衡数据,结合分类器构建模型对阿尔茨海默病(alzheimer′s disease,AD)患者疾病进程进行分类预测。方法数据源自阿尔茨海默病神经影像学计划(...目的利用自适应合成抽样(adaptive synthetic sampling,ADASYN)与类别逆比例加权法处理类别不平衡数据,结合分类器构建模型对阿尔茨海默病(alzheimer′s disease,AD)患者疾病进程进行分类预测。方法数据源自阿尔茨海默病神经影像学计划(Alzheimer′s disease neuroimaging initiative,ADNI),经随机森林填补缺失值,弹性网络筛选特征子集后,利用ADASYN与类别逆比例加权法处理类别不平衡数据。分别结合随机森林(random forest,RF)、支持向量机(support vector machine,SVM)构建四种模型:ADASYN-RF、ADASYN-SVM、加权随机森林(weighted random forest,WRF)、加权支持向量机(weighted support vector machine,WSVM),与RF、SVM比较分类性能。模型评价指标为宏观平均精确率(macro-average of precision,macro-P)、宏观平均召回率(macro-average of recall,macro-R)、宏观平均F1值(macro-average of F1-score,macro-F1)、准确率(accuracy,ACC)、Kappa值和AUC(area under the ROC curve)。结果ADASYN-RF的分类性能最优(Kappa值为0.938,AUC为0.980),ADASYN-SVM次之。利用ADASYN-RF预测得到的重要分类特征分别为CDRSB、LDELTOTAL、MMSE,在临床上均可得到证实。结论ADASYN与类别逆比例加权法都能辅助提升分类器性能,但ADASYN算法更优。展开更多
目的:利用潜类别增长模型(latent class growth model,LCGM)分析老年帕金森病患者用药依从性轨迹,并验证其影响因素。方法:对124例原发性老年帕金森病患者进行12个月随访调查,调查工具包括一般资料调查表和Morisky用药依从性量表。通过...目的:利用潜类别增长模型(latent class growth model,LCGM)分析老年帕金森病患者用药依从性轨迹,并验证其影响因素。方法:对124例原发性老年帕金森病患者进行12个月随访调查,调查工具包括一般资料调查表和Morisky用药依从性量表。通过潜类别增长模型识别患者用药依从性轨迹,采用有序多分类Logistic回归分析用药依从性轨迹的影响因素。结果:老年帕金森病患者用药依从性分为“高-持续型”“中-下降型”和“低-下降型”3种类型,且该3种类型文化程度、工作状态、用药种类、智力状态比较,差异有统计学意义(P<0.05)。有序多分类Logistic回归显示,工作状态、用药种类、智力状态是患者用药依从性轨迹的影响因素(P<0.05)。结论:老年帕金森患者用药依从性分为3种轨迹,工作状态、用药种类和智力状态是用药依从性轨迹类别的影响因素。展开更多
文摘目的利用自适应合成抽样(adaptive synthetic sampling,ADASYN)与类别逆比例加权法处理类别不平衡数据,结合分类器构建模型对阿尔茨海默病(alzheimer′s disease,AD)患者疾病进程进行分类预测。方法数据源自阿尔茨海默病神经影像学计划(Alzheimer′s disease neuroimaging initiative,ADNI),经随机森林填补缺失值,弹性网络筛选特征子集后,利用ADASYN与类别逆比例加权法处理类别不平衡数据。分别结合随机森林(random forest,RF)、支持向量机(support vector machine,SVM)构建四种模型:ADASYN-RF、ADASYN-SVM、加权随机森林(weighted random forest,WRF)、加权支持向量机(weighted support vector machine,WSVM),与RF、SVM比较分类性能。模型评价指标为宏观平均精确率(macro-average of precision,macro-P)、宏观平均召回率(macro-average of recall,macro-R)、宏观平均F1值(macro-average of F1-score,macro-F1)、准确率(accuracy,ACC)、Kappa值和AUC(area under the ROC curve)。结果ADASYN-RF的分类性能最优(Kappa值为0.938,AUC为0.980),ADASYN-SVM次之。利用ADASYN-RF预测得到的重要分类特征分别为CDRSB、LDELTOTAL、MMSE,在临床上均可得到证实。结论ADASYN与类别逆比例加权法都能辅助提升分类器性能,但ADASYN算法更优。
文摘目的:利用潜类别增长模型(latent class growth model,LCGM)分析老年帕金森病患者用药依从性轨迹,并验证其影响因素。方法:对124例原发性老年帕金森病患者进行12个月随访调查,调查工具包括一般资料调查表和Morisky用药依从性量表。通过潜类别增长模型识别患者用药依从性轨迹,采用有序多分类Logistic回归分析用药依从性轨迹的影响因素。结果:老年帕金森病患者用药依从性分为“高-持续型”“中-下降型”和“低-下降型”3种类型,且该3种类型文化程度、工作状态、用药种类、智力状态比较,差异有统计学意义(P<0.05)。有序多分类Logistic回归显示,工作状态、用药种类、智力状态是患者用药依从性轨迹的影响因素(P<0.05)。结论:老年帕金森患者用药依从性分为3种轨迹,工作状态、用药种类和智力状态是用药依从性轨迹类别的影响因素。
