石雁冰 邵 勇 李樹法

(貴陽(yáng)中醫(yī)學(xué)院第一附屬醫(yī)院門診部，貴州 貴陽(yáng) 550002)

代謝綜合征(MS)是糖尿病、心腦血管疾病發(fā)生的高危因素〔1，2〕，其在不同國(guó)家、地區(qū)、種族、職業(yè)患病率有明顯差異。本研究擬以貴陽(yáng)客運(yùn)段職工為研究對(duì)象，就MS的危險(xiǎn)因素進(jìn)行分析。

1 對(duì)象與方法

1.1對(duì)象 以2 297名貴陽(yáng)客運(yùn)段職工為研究對(duì)象，通過體格檢查測(cè)量身高、體重、腰圍、血壓，生化法檢測(cè)空腹血糖(FPG)、甘油三酯(TG)和高密度脂蛋白(HDL)，通過問卷調(diào)查的形式獲取其受試者的一般人口學(xué)信息、病史、工作和生活情況資料。

1.2調(diào)查問卷 除了一般人口學(xué)資料和病史外還重點(diǎn)包括與貴陽(yáng)客運(yùn)段工作人員工作和生活緊密相關(guān)的16項(xiàng)內(nèi)容，包括：工作性質(zhì)(5個(gè)選項(xiàng))、睡眠時(shí)間(5個(gè)選項(xiàng))、乘務(wù)齡(6個(gè)選項(xiàng))、乘務(wù)時(shí)段(3個(gè)選項(xiàng))、工作壓力(3個(gè)選項(xiàng))、工作之余(5個(gè)選項(xiàng))、每日吸煙量(6個(gè)選項(xiàng))、煙齡(6個(gè)選項(xiàng))、飲酒情況(4個(gè)選項(xiàng))、酒齡(6個(gè)選項(xiàng))、每周運(yùn)動(dòng)量(4個(gè)選項(xiàng))、口味(4個(gè)選項(xiàng))、喜愛食物(3個(gè)選項(xiàng))、常飲用飲品(5個(gè)選項(xiàng))以及每周早餐次數(shù)(4個(gè)選項(xiàng))。

1.3MS的判斷標(biāo)準(zhǔn) MS的診斷參照國(guó)際糖尿病聯(lián)盟(IDF)2005年標(biāo)準(zhǔn)〔3〕，結(jié)合我國(guó)的實(shí)際情況進(jìn)行：在符合中心性肥胖標(biāo)準(zhǔn)基礎(chǔ)上(腰圍:男性≥90 cm，女性≥80 cm)。合并以下4個(gè)指標(biāo)中的任意2項(xiàng):①TG水平升高:>1.17 mmol/L(115 g/L)，或已接受相應(yīng)治療;②HDL-C水平降低:男性<1.03 mmol/L(40 mg/dl)，女性<1.29 mmol/L(50 mg/dl),或已接受相應(yīng)治療;③血壓升高:收縮壓≥130 mmHg或舒張壓≥85 mmHg,或已接受相應(yīng)治療或此前已診斷高血壓;④FPG升高:FPG≥5.6 mmol/L(100 mg/dl),或已接受相應(yīng)治療或此前已診斷2型糖尿病。

1.4數(shù)據(jù)分析 首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，因?yàn)檎{(diào)查表中的數(shù)據(jù)存在空缺、異常等無效數(shù)據(jù)，在進(jìn)行MS確診之前，將無效數(shù)據(jù)剔除，確保結(jié)果的準(zhǔn)確性。使用相關(guān)函數(shù)對(duì)數(shù)據(jù)進(jìn)行處理，從2 263條有效數(shù)據(jù)中，確診700例患者。然后按照作息習(xí)慣和飲食習(xí)慣為分類標(biāo)準(zhǔn)，把收集到的關(guān)于受試者生活習(xí)慣的所有調(diào)查信息簡(jiǎn)單分為兩類：作息習(xí)慣包括睡眠時(shí)間、工作壓力、工作之余活動(dòng)、周運(yùn)動(dòng)量；飲食習(xí)慣包括日吸煙量、煙齡、飲酒情況、酒齡、口味、食物、飲品、早餐。使用ID3為基本算法，計(jì)算各個(gè)生活習(xí)慣和可能致病因素的信息增益，建立決策樹，從而找出影響MS的主要因素。

1.5ID3模型建立 ID3算法是以信息論為基礎(chǔ)，以信息熵和信息增益度為衡量標(biāo)準(zhǔn)，從而實(shí)現(xiàn)對(duì)數(shù)據(jù)的歸納分類。通過比較信息增益度，對(duì)受試者的確診結(jié)果進(jìn)行關(guān)聯(lián)度分析和分類〔4〕。對(duì)于生活習(xí)慣調(diào)查表中的n個(gè)相同概率的消息，每個(gè)消息發(fā)生的概率為：P=1/n，則每個(gè)消息傳遞的信息量為：l=log2n=-log2l/n。

信息增益度是兩個(gè)信息量之間的差值，其中一個(gè)信息量是需確定T的一個(gè)元素的信息量，另一個(gè)信息量是在已得到的屬性X的值后需確定的T一個(gè)元素的信息量，對(duì)于信息增益度有Gain(X,T)=Info(T)-Info(X，T)。

針對(duì)當(dāng)前收集到的關(guān)于受試者生活習(xí)慣的所有調(diào)查信息，計(jì)算每個(gè)屬性的信息增益。選擇其中信息增益最大的屬性Ak，把Ak值相同的信息歸在同一個(gè)子集里。對(duì)每個(gè)子集遞歸調(diào)用建樹算法。求出每一種信息在樹層上的信息增益度，從而找出與MS關(guān)系最大的因素。

2 結(jié) 果

2.1考察基本作息習(xí)慣 工作之余的生活方式對(duì)MS發(fā)病的影響最大，信息增量0.001 81，睡眠時(shí)間為0.000 07，工作壓力為0.000 52，周運(yùn)動(dòng)量為0.001 28。工作之余在電腦上度過的人患病率高達(dá)到37.73%。在經(jīng)過1 d緊張的工作之后，適當(dāng)?shù)姆潘?，如串門、聊天等，可有效降低MS的發(fā)病風(fēng)險(xiǎn)。見表1。

2.2考察基本飲食習(xí)慣 日吸煙量信息增益為0.000 643；煙齡為0.000 526；飲酒情況為0.002 930；酒齡為0.001 873；口味為0.000 136；食物為0.000 734；飲品為0.001 707；早餐為0.000 047。飲酒情況對(duì)MS發(fā)病的影響最大，每天或幾乎每天都喝酒的人，其患病率高達(dá)到42.69%，常飲酒的人患病率反而較低。見表2。

表1 各個(gè)因素計(jì)算及分析結(jié)果比較〔n(%)〕

表2 飲酒情況分析〔n(%)〕

3 討 論

ID3算法是基于信息熵的決策樹分類算法，其核心思想是在決策樹中各層分枝節(jié)點(diǎn)上選擇屬性，用信息增益作為屬性選擇標(biāo)準(zhǔn)，使得在每一分葉子節(jié)點(diǎn)進(jìn)行測(cè)試時(shí)，能獲得關(guān)于被測(cè)試?yán)幼畲蟮念悇e信息，使用該屬性將樣本集劃分成子集后，系統(tǒng)的信息熵值最小。近年來，其被廣泛應(yīng)用數(shù)據(jù)挖掘中的特征分類研究中，特別是數(shù)據(jù)的歸類與處理方面顯示出了較強(qiáng)的適應(yīng)性〔4～7〕。

MS的發(fā)病率逐漸增高,其主要發(fā)病機(jī)制是胰島素抵抗,與遺傳因素和熱量攝入增加、體育鍛煉缺乏等生活方式有著密切的關(guān)系。但是，其與生活方式中具體事件的關(guān)系需要用科學(xué)、可行的研究方法來確定，反過來確定后的結(jié)果也需要回到現(xiàn)實(shí)生活中來檢驗(yàn)。目前在疾病病因研究方面興起了一種新的研究方法-數(shù)據(jù)挖掘技術(shù),其在醫(yī)學(xué)中得到了廣泛的應(yīng)用，其作用也得到了時(shí)間的驗(yàn)證〔4～7〕。本研究說明良好的生活方式對(duì)MS發(fā)病的影響很大。另外說明適當(dāng)?shù)娘嬀茖?duì)MS的預(yù)防有一定的積極作用，但是過量飲酒或酗酒則會(huì)增加MS的發(fā)病率。

本研究是否符合實(shí)際必須需要回到現(xiàn)實(shí)中進(jìn)行驗(yàn)證的，故本課題組在今后工作中將針對(duì)以上危險(xiǎn)因素對(duì)目的人群進(jìn)行生活方式干預(yù)，期待能夠起到預(yù)防和延緩MS發(fā)病的作用。

4 參考文獻(xiàn)

1Alberti KG，Zimmet P，Shaw J.The metabolic syndrome-a new worldwide definition〔J〕.Lancet，2005；366(9491)：1059-62.

2祝之明.應(yīng)加強(qiáng)代謝綜合征的研究和防治〔J〕.中華心血管病雜志，2005；33(2)：105-6.

3Zimmet P，Alberti KG,SerranO-Rios M.A new IDF worldwide definition of the metabolic syndrome:the rationale and the results〔J〕.Rev Esp Cardiol,2005;58(12):1371-6.

4柴宏濤，李建華，沈 迪.基于ID3算法的信息資源分類管理映射模型研究〔J〕.計(jì)算機(jī)工程與設(shè)計(jì)，2013；34(3)：1082-86,96.

5李魯寧,趙德平.基于ID3算法100例中醫(yī)胃炎實(shí)驗(yàn)數(shù)據(jù)分類挖掘研究〔J〕.遼寧中醫(yī)藥大學(xué)學(xué)報(bào)，2012；14(10):188-9.

6朱顥東，鐘 勇.基于NDF和優(yōu)化的ID3的特征選擇方法〔J〕.暨南大學(xué)學(xué)報(bào)(自然科學(xué)與醫(yī)學(xué)版)，2010；31(1)：20-3.

7Ruz GA，Pham DT.Building Bayesian network classifiers through a Bayesian complexity monitoring system〔J〕.J Mechan Engineer Sci,2009；223:743-55.