钢铁工人职业紧张与颈动脉粥样硬化关系的现况研究

背景钢铁工人作业环境单一,常处于高温、噪声的环境中,易形成职业紧张(OS)。OS不仅影响工人的生产效率,而且对若干生化指标(如总胆固醇、三酰甘油等)产生不利影响,造成血脂异常,引发颈动脉粥样硬化(CAS)。钢铁工人OS与CAS之间关系的研究目前依然缺乏。目的探讨钢铁工人CAS的危险因素及其与OS的关系。方法采用整群分层抽样方法,选择2017年3-6月在唐山泓慈医院体检中心参加职业健康检查者(在岗,从事钢铁作业1年及以上)为研究对象。采用多普勒超声诊断仪进行CAS的诊断。采用中文版《工作内容问卷》进行OS的测评。CAS影响因素分析采用单因素和多因素Logistic回归分析。结果共调查4525名钢铁工人,1151名诊断为CAS,检出率为25.44%;OS 317名,占7.01%。单因素Logistic回归分析结果显示,性别、年龄、体质指数(BMI)、学历、婚姻状况、倒班情况、吸烟、饮酒及高血压、高脂血症检出率为钢铁工人罹患CAS的影响因素(P<0.05);CAS组与非CAS组钢铁工人OS发生率比较,差异无统计学意义(P>0.05)。CAS组与非CAS组钢铁工人工作要求、工作自主度、社会支持维度得分及工作要求/工作自主度比值比较,差异均无统计学意义(P>0.05)。多因素Logistic回归分析结果显示,性别、年龄、学历、倒班情况、吸烟、饮酒、高血压是钢铁工人发生CAS的独立影响因素(P<0.05)。结论钢铁工人罹患CAS受多种因素的影响,尚未发现OS与CAS存在关联。

三种风险预测模型预测钢铁工人颈动脉粥样硬化的效能比较

背景颈动脉粥样硬化(CAS)不仅影响钢铁工人的工作效率,而且是引发缺血性脑血管疾病最重要的危险因素。近年来,越来越多的学者利用机器学习并通过易获得的因素对疾病进行风险预测,但目前,关于CAS风险预测模型的研究依然缺乏。目的运用支持向量机(SVM)、BP神经网络(BPNN)与随机森林(RF)模型构建钢铁工人CAS发生风险预测模型,并比较其预测效能。方法选取2017年3—6月在唐山市弘慈医院进行体检和健康监测的4568例钢铁工人为研究对象,按照本团队编写的《健康评估检查表》进行调查,调查内容:人口学特征(性别、年龄、体质指数、文化程度、婚姻状况)、个人的行为生活习惯与方式(吸烟、饮酒)、个人病史(高血压、糖尿病、CAS家族史)、职业史(倒班、高温作业、噪声作业)。收集研究对象的实验室检查指标,如胆固醇、三酰甘油、同型半胱氨酸、尿酸。结合非条件多因素Logistic回归分析结果以及查阅相关文献,确定变量构建SVM、BPNN和RF模型并进行比较。结果训练集显示SVM、BPNN和RF模型预测钢铁工人发生CAS的准确率分别为83.81%、79.27%、86.60%,灵敏度分别为80.10%、66.19%、73.62%,特异度分别为87.32%、91.62%、98.90%,受试者工作特征曲线下面积(AUC)分别为0.84、0.79、0.86。SVM模型的灵敏度最高,RF模型在准确率、特异度和AUC方面高于其余两种模型,差异有统计学意义(P<0.05)。测试集显示SVM、BPNN和RF模型预测钢铁工人发生CAS的准确率分别为85.70%、75.46%、73.37%,灵敏度分别为81.63%、64.65%、60.00%,特异度分别为90.29%、87.66%、88.45%,AUC分别为0.86、0.76、0.74。SVM模型在灵敏度、准确率和AUC方面高于其余两种模型比较,差异有统计学意义(P<0.05)。结论运用SVM模型预测钢铁工人CAS发生风险的效果优于BPNN和RF模型。

基于BP神经网络的急性脑梗死患者自发性出血性转化的风险预测研究

目的将BP神经网络用于急性脑梗死(ACI)患者自发性出血性转化(HT)的风险预测,为自发性HT的预防与治疗提供参考依据。方法选取2014年1月—2017年1月于华北理工大学附属医院和唐山市工人医院住院但未行溶栓治疗的372例ACI患者,根据影像学检查有无HT将其分为病例组(124例)和对照组(248例),回顾性收集患者一般资料(包括基本资料、既往史、临床资料、实验室检查指标、影像学资料),选取单因素分析有统计学意义的指标,建立Logistic回归模型和BP神经网络模型,并比较受试者工作特征(ROC)曲线评价模型对ACI患者自发性HT的预测性能。结果病例组心房颤动病史发生率、美国国立卫生研究院卒中量表(NIHSS)评分、抗凝治疗发生率、凝血酶原时间(PT)、白细胞计数(WBC)、纤维蛋白原、大面积脑梗死发生率、早期CT低密度影发生率、脑白质疏松症(LA)发生率均大于对照组,抗凝药物使用史发生率、抗血小板治疗(APT)发生率、高密度脂蛋白胆固醇(HDL-C)、清蛋白(ALB)均小于对照组(P<0.05)。Logistic回归模型表达式为Logit(P)=0.109×NIHSS评分+1.380×PT+0.355×WBC+1.320×LA-0.842×APT-1.144×HDL-C-0.087×ALB-17.554;BP神经网络模型的隐含层数为1,隐含层神经元数为5。BP神经网络模型预测ACI患者自发性HT的ROC曲线下面积(0.969)大于Logistic回归模型(0.906)(Z=3.601,P<0.001)。BP神经网络模型敏感性分析结果显示,对HT影响显著的因素依次是PT(100.0%)、ALB(75.8%)、WBC(75.8%)、NIHSS评分(52.4%)、早期CT低密度影(36.8%)、HDL-C(35.4%)、APT(33.6%)、大面积脑梗死(31.9%)、纤维蛋白原(23.1%)、心房颤动病史(22.1%)、抗凝药物使用史(20.3%)、抗凝治疗(18.1%)和LA(13.6%)。结论 BP神经网络模型预测ACI患者自发性HT的效果较好,可以用于辅助临床决策的制定。