侯玉梅朱亞楠朱立春吳 頌高秋燁

決策樹(shù)模型在2型糖尿病患病風(fēng)險(xiǎn)預(yù)測(cè)中的應(yīng)用*

侯玉梅1△朱亞楠1朱立春2吳 頌2高秋燁3

目的探究決策樹(shù)模型在2型糖尿病患病風(fēng)險(xiǎn)預(yù)測(cè)中的應(yīng)用，為預(yù)防和控制2型糖尿病的發(fā)生和發(fā)展提供臨床指導(dǎo)。方法收集數(shù)據(jù)并進(jìn)行預(yù)處理，采用C5．0算法構(gòu)建分類(lèi)模型，之后對(duì)其預(yù)測(cè)結(jié)果進(jìn)行評(píng)估。結(jié)果采用決策樹(shù)構(gòu)建的三個(gè)模型的訓(xùn)練集準(zhǔn)確率分別為79．98%、98．26%、99．55%，測(cè)試集的準(zhǔn)確率分別為81．27%、98．16%、98．16%，預(yù)測(cè)準(zhǔn)確率都較高。結(jié)論采用C5．0算法構(gòu)建決策樹(shù)模型，對(duì)預(yù)測(cè)糖尿病的患病風(fēng)險(xiǎn)具有一定的應(yīng)用價(jià)值。

2型糖尿病 決策樹(shù) 風(fēng)險(xiǎn)預(yù)測(cè)

隨著我國(guó)人民生活水平的普遍提高以及生活節(jié)奏的加快，我國(guó)糖尿病患者數(shù)量正在以驚人的速度增長(zhǎng)，且向低齡化發(fā)展［1］。最新調(diào)查顯示，我國(guó)成年人中的糖尿病患者高達(dá)1．14億，并呈現(xiàn)發(fā)病率高，知曉率、治療率和達(dá)標(biāo)率低的現(xiàn)象，同時(shí)也給家人和社會(huì)帶來(lái)了沉重的經(jīng)濟(jì)負(fù)擔(dān)。因此，預(yù)防2型糖尿病的發(fā)生，對(duì)于控制糖尿病發(fā)病人數(shù)具有重要意義。本文利用數(shù)據(jù)挖掘C 5．0算法構(gòu)建簡(jiǎn)單個(gè)人水平預(yù)測(cè)、簡(jiǎn)單臨床預(yù)測(cè)以及復(fù)雜臨床預(yù)測(cè)模型，以此發(fā)掘糖尿病患病的得病風(fēng)險(xiǎn)規(guī)律，為健康人群的預(yù)防和醫(yī)生臨床診斷提供指導(dǎo)。

資料與方法

1．資料來(lái)源

本文中資料數(shù)據(jù)來(lái)源于河北省秦皇島市某醫(yī)院糖尿病患者病例以及健康人群的體檢數(shù)據(jù)共1922例，內(nèi)容包括與2型糖尿病患病相關(guān)的各項(xiàng)指標(biāo)，分別為性別、年齡、吸煙情況、家族史情況（包括糖尿病家族史和高血壓家族史［2－3］）、既往病史情況（包括心腦血管病史和冠心病史［4－5］）、入院體檢與實(shí)驗(yàn)室檢查情況（身高、體重、空腹血糖、舒張壓、收縮壓、甘油三酯、總膽固醇、低密度脂蛋白）等。

2．分析方法

（1）數(shù)據(jù)預(yù)處理

數(shù)據(jù)清洗 對(duì)原始數(shù)據(jù)進(jìn)行分析整理，對(duì)超出取值范圍的不合理數(shù)據(jù)或個(gè)別有缺失值的變量用指定值替代［6］。Flag（標(biāo)志）型變量用False對(duì)應(yīng)的值替代，Set（集）型變量用第一個(gè)變量值替代，數(shù)值型變量，大于上限的用上限值替代，小于下限的用下限值替代，其余值用（最大值+最小值）/2替代。

數(shù)據(jù)變換 數(shù)據(jù)變換將數(shù)據(jù)轉(zhuǎn)換成統(tǒng)一的格式，以適合數(shù)據(jù)的再處理［7］。在原始數(shù)據(jù)中，需要轉(zhuǎn)換的屬性有身高。一般身高是以厘米度量的，但是我們需要利用BMI指數(shù)變量，需要對(duì)身高變量進(jìn)行轉(zhuǎn)換，轉(zhuǎn)換函數(shù)為：f（V）＝V/100。

數(shù)據(jù)規(guī)約 規(guī)約后的數(shù)據(jù)不但保證了原始數(shù)據(jù)的完整性，而且減少了數(shù)據(jù)量，使得數(shù)據(jù)挖掘的效率和性能大大提高［8］。例如：將身高和體重變量進(jìn)行規(guī)約，計(jì)算BMI指數(shù)（kg/m2）＝體重/（身高×身高），然后根據(jù)中國(guó)體重指標(biāo)標(biāo)準(zhǔn)將BMI指數(shù)進(jìn)行離散化生成新屬性BMI＿set。類(lèi)似地，本文生成年齡＿set、舒張壓＿set、收縮壓＿set等其他新屬性。之后直接刪除原始數(shù)據(jù)中的冗余屬性。預(yù)處理后的數(shù)據(jù)不僅可以保持原始數(shù)據(jù)的完整性，而且提高了數(shù)據(jù)挖掘的運(yùn)算效率。

（2）算法選擇

本文使用決策樹(shù)來(lái)建立分類(lèi)模型，該方法可以很直觀地看出分類(lèi)規(guī)則，且擅于處理非數(shù)值型數(shù)據(jù)；具有效率高、分類(lèi)精度高等優(yōu)點(diǎn)。目前，常用的決策樹(shù)算法有ID3、C5．0、CHAID、QUEST、CART等，它們的主要區(qū)別是“不同的決策樹(shù)算法的分枝策略不同”［9］，其中C5．0是以信息論為指導(dǎo)，以信息增益率為標(biāo)準(zhǔn)確定最佳分組變量和分割點(diǎn)，采用后修剪方法從葉節(jié)點(diǎn)向上逐層剪枝；C5．0算法可以生成推理規(guī)則集，更重要的是它采用Boosting方式，提高了預(yù)測(cè)準(zhǔn)確率和分類(lèi)精度，所以本文采用C5．0算法。

（3）算法實(shí)現(xiàn)

本研究中C5．0算法由軟件Clementine 12．0實(shí)現(xiàn)，通過(guò)分區(qū)將現(xiàn)有樣本集隨機(jī)分割成兩部分：訓(xùn)練集70%和測(cè)試集30%，有效地實(shí)現(xiàn)了決策樹(shù)模型的構(gòu)建。模型運(yùn)行前，設(shè)置使用分區(qū)數(shù)據(jù)，輸出類(lèi)型選擇決策樹(shù)，并利用ChiMerge分箱法檢查當(dāng)前分組變量，使得到的分類(lèi)樹(shù)較精簡(jiǎn)，采用Boosting技術(shù)試驗(yàn)10次和交叉驗(yàn)證折疊10次建立模型，提高模型預(yù)測(cè)的穩(wěn)健性，Mode選用Expert，修剪純度設(shè)為75，采用全局修剪。

結(jié) 果

1．模型建立

（1）簡(jiǎn)單個(gè)人水平模型

當(dāng)只考慮性別、年齡、身高、體重、生活習(xí)慣（煙齡）、家族史、既往病史等基本個(gè)人水平因素時(shí)，生成10個(gè)相關(guān)聯(lián)的模型，各模型的預(yù)測(cè)精度不同，最高為82．33%，最低為65．29%，應(yīng)用Boosting技術(shù)后，預(yù)測(cè)精度為84．1%，分類(lèi)精度提高。其相關(guān)聯(lián)的變量重要性排序如圖1所示，表明糖尿病患病風(fēng)險(xiǎn)與家族史和既往病史有著密切的關(guān)系。其中部分模型圖如圖2所示，這對(duì)于個(gè)人在簡(jiǎn)單分析自己的身體水平及生活習(xí)慣方面，起著重要的作用。

圖1 簡(jiǎn)單個(gè)人水平模型變量重要性排序

（2）簡(jiǎn)單臨床模型

在簡(jiǎn)單個(gè)人水平模型下，加入簡(jiǎn)單臨床數(shù)據(jù)（包括空腹血糖、舒張壓、收縮壓等），也生成10個(gè)相關(guān)聯(lián)的模型，模型最高預(yù)測(cè)精度達(dá)到98．11%，最低為79．76%，相比簡(jiǎn)單個(gè)人水平模型預(yù)測(cè)精度大大提高，應(yīng)用Boosting技術(shù)后，預(yù)測(cè)精度達(dá)到了99．2%。其中變量重要性排序如圖3，表明空腹血糖與糖尿病患病的關(guān)系尤為密切，并指出空腹血糖的臨界值為6．09mmol/L或6．08mmol/L，與醫(yī)學(xué)知識(shí)大體一致，這對(duì)分析簡(jiǎn)單臨床數(shù)據(jù)具有指導(dǎo)意義。其中部分模型圖如圖4所示。

圖2 部分簡(jiǎn)單個(gè)人水平模型圖

圖3 簡(jiǎn)單臨床模型變量重要性排序

圖4 部分簡(jiǎn)單臨床模型圖

（3）復(fù)雜臨床模型

在簡(jiǎn)單臨床模型下，加入檢驗(yàn)數(shù)據(jù)（包括甘油三酯、低密度脂蛋白、總膽固醇），形成復(fù)雜臨床模型，模型最高預(yù)測(cè)精度達(dá)到98．79%，最低為91．36%，相比簡(jiǎn)單臨床模型預(yù)測(cè)精度有所提高，說(shuō)明數(shù)據(jù)越多，變量越多，預(yù)測(cè)越準(zhǔn)確。其中變量重要性排序如圖5所示，綜合三個(gè)模型發(fā)現(xiàn)，空腹血糖、糖尿病家族史、心腦血管病史、年齡這四個(gè)變量對(duì)是否患有糖尿病有重要作用。其中部分模型圖如圖6所示。

圖5 復(fù)雜臨床模型變量重要性排序

2．模型評(píng)估

（1）采用Analysis節(jié)點(diǎn)進(jìn)行模型準(zhǔn)確性評(píng)價(jià)，決策樹(shù)對(duì)各個(gè)模型的訓(xùn)練集和測(cè)試集的預(yù)測(cè)結(jié)果準(zhǔn)確率如表1所示。

由表1可知，三個(gè)模型的預(yù)測(cè)準(zhǔn)確率都較高，而且訓(xùn)練集和測(cè)試集的結(jié)果相近，說(shuō)明不存在訓(xùn)練集過(guò)度擬合的現(xiàn)象。通過(guò)比較發(fā)現(xiàn)，考慮的輸入變量越多，模型預(yù)測(cè)精度越高，但是從測(cè)試集的準(zhǔn)確率來(lái)看，簡(jiǎn)單臨床模型和復(fù)雜臨床模型基本一致，說(shuō)明通過(guò)簡(jiǎn)單臨床模型也可以發(fā)揮預(yù)測(cè)作用，方便居民隨時(shí)監(jiān)測(cè)身體狀況，從而及時(shí)預(yù)防2型糖尿病的發(fā)生。

圖6 部分復(fù)雜臨床模型圖

表1 三種模型的預(yù)測(cè)結(jié)果

（2）采用Kappa檢驗(yàn)對(duì)三個(gè)決策樹(shù)模型進(jìn)行一致性分析，其預(yù)測(cè)分類(lèi)與實(shí)際分類(lèi)的吻合情況如表2所示。

表2 三種模型的決策樹(shù)分類(lèi)結(jié)果

通過(guò)比較三種模型的預(yù)測(cè)分類(lèi)和實(shí)際分類(lèi)，簡(jiǎn)單個(gè)人水平模型的Kappa值為0．621，小于0．75，說(shuō)明該模型的一致性一般。簡(jiǎn)單臨床模型的Kappa值為0．964，復(fù)雜臨床模型的Kappa值為0．982，均高于0．75，說(shuō)明兩種模型的一致性較高，預(yù)測(cè)結(jié)果與實(shí)際分類(lèi)基本吻合，模型預(yù)測(cè)分類(lèi)效果較佳。

（3）在預(yù)測(cè)模型的評(píng)價(jià)過(guò)程中，靈敏度、特異度和約登指數(shù)是其中重要的指標(biāo)，指標(biāo)越高預(yù)示著該模型具有較強(qiáng)的預(yù)測(cè)判別性能［10］。本研究通過(guò)比較三種模型總的預(yù)測(cè)分類(lèi)和實(shí)際分類(lèi)，計(jì)算三種模型的靈敏度、特異度、錯(cuò)判率和約登指數(shù)（見(jiàn)表3），比較發(fā)現(xiàn)簡(jiǎn)單個(gè)人水平模型特異度遠(yuǎn)遠(yuǎn)高于靈敏度，說(shuō)明簡(jiǎn)單個(gè)人水平模型預(yù)測(cè)非患者的能力遠(yuǎn)遠(yuǎn)高于預(yù)測(cè)患者的能力。綜合比較發(fā)現(xiàn)，復(fù)雜臨床模型的靈敏度和約登指數(shù)均較高，錯(cuò)判率最低，說(shuō)明復(fù)雜臨床模型的預(yù)測(cè)性能最好。但在簡(jiǎn)單臨床條件下，三種指標(biāo)已經(jīng)達(dá)到了很高的水平，說(shuō)明在此條件下進(jìn)行預(yù)測(cè)和篩查就能達(dá)到很好的效果。

表3 三種模型的靈敏度、特異度、錯(cuò)判率、約登指數(shù)的比較

討 論

糖尿病發(fā)病原因一直是世界糖尿病研究的重要課題。目前，國(guó)內(nèi)在糖尿病患病風(fēng)險(xiǎn)預(yù)測(cè)中使用較多的方法有神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法、Markov預(yù)測(cè)法、C 4．5決策樹(shù)算法等［10－12］。與國(guó)內(nèi)預(yù)測(cè)方法不同的是，本文將決策樹(shù)C 5．0算法應(yīng)用到2型糖尿病的發(fā)病規(guī)律研究中，根據(jù)不同的預(yù)測(cè)條件，得出多個(gè)決策樹(shù)模型。其中與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法［10］相比，本文利用決策樹(shù)算法建立的模型簡(jiǎn)單明了，可以更好地提取發(fā)病規(guī)則；與Markov預(yù)測(cè)法［11］相比，Markov預(yù)測(cè)能夠有效地預(yù)測(cè)2型糖尿病未來(lái)幾年內(nèi)的發(fā)病概率，而本文是根據(jù)目前的身體條件，及時(shí)準(zhǔn)確地預(yù)測(cè)本人的發(fā)病情況，更具有實(shí)效性；與C 4．5決策樹(shù)算法［12］相比，本研究加入Boosting技術(shù)，提高了模型準(zhǔn)確率和分類(lèi)精度，并指導(dǎo)居民在不同生理水平條件下，做出相應(yīng)的風(fēng)險(xiǎn)評(píng)估，從而為個(gè)人自我保健提供準(zhǔn)確的指導(dǎo)，同時(shí)也為醫(yī)生的臨床診斷提供一定的幫助。從模型中可以明顯看出空腹血糖值、糖尿病家族史、心腦血管既往病史、年齡等因素在2型糖尿病發(fā)病規(guī)律中的重要性。此外，對(duì)模型的評(píng)估表明，預(yù)測(cè)的準(zhǔn)確性、可靠性以及一致性都比較高，說(shuō)明該方法的應(yīng)用為探討不同條件下2型糖尿病的發(fā)病規(guī)律提供了一種新的手段。

由于在Clementine 12．0中沒(méi)有編程界面，因此，要獲得理想的預(yù)測(cè)模型，需要對(duì)相關(guān)窗口中的參數(shù)反復(fù)進(jìn)行調(diào)整［13］。此外訓(xùn)練集和測(cè)試集的大小，缺失值和不合理數(shù)據(jù)的預(yù)處理方法，數(shù)據(jù)庫(kù)的質(zhì)量以及模型參數(shù)的調(diào)整，對(duì)決策樹(shù)模型的穩(wěn)定性和預(yù)測(cè)效果都有一定的影響。但是由于時(shí)間和人力資源有限，所采集的數(shù)據(jù)無(wú)法涵蓋研究所需要的所有信息，使得收集和處理過(guò)程經(jīng)常脫節(jié)［14］，所采集的醫(yī)學(xué)數(shù)據(jù)也不是很完整，因此所建立的預(yù)測(cè)模型還有待進(jìn)一步完善。本文貢獻(xiàn)在于為不同情況下2型糖尿病患者患病風(fēng)險(xiǎn)提供一種風(fēng)險(xiǎn)預(yù)測(cè)工具，同時(shí)提取出不同情況下影響2型糖尿病發(fā)病的重要因素。相信隨著數(shù)據(jù)挖掘技術(shù)的不斷改進(jìn)，數(shù)據(jù)庫(kù)數(shù)據(jù)的不斷擴(kuò)大，應(yīng)用C 5．0算法對(duì)糖尿病患病風(fēng)險(xiǎn)預(yù)測(cè)的準(zhǔn)確性將不斷增加，從而對(duì)糖尿病高危人群的預(yù)防和醫(yī)生臨床診斷起到一定的指導(dǎo)和參考作用。

［1］王海鵬．我國(guó)診斷糖尿病疾病經(jīng)濟(jì)負(fù)擔(dān)趨勢(shì)預(yù)測(cè)研究．山東大學(xué)，2013．

［2］吳雪霽，潘冰瑩，陳雄飛，等．廣州市家系高血壓與2型糖尿病和血脂異常關(guān)系的研究．中國(guó)熱帶醫(yī)學(xué)，2014，14（11）：1343-1346．

［3］胡靜，楊亞明，陳凱，等．宜興市居民2型糖尿病危險(xiǎn)因素分析．江蘇預(yù)防醫(yī)學(xué)，2012，23（5）：11-12．

［4］劉茂玲，劉禮錦，鄒宇華．2型糖尿病危險(xiǎn)因素病例對(duì)照研究．華南預(yù)防醫(yī)學(xué)，2008，34（4）：49-52．

［5］鄒宇華，張弛，張冬梅，等．2型糖尿病危險(xiǎn)因素的非條件Logistic回歸分析．中國(guó)慢性病預(yù)防與控制，2004，12（1）：12-14．

［6］薛薇，陳歡歌．Clementine數(shù)據(jù)挖掘方法及應(yīng)用．電子工業(yè)出版社，2010．

［7］羅森林，成華，張鐵梅，等．多維2型糖尿病實(shí)測(cè)數(shù)據(jù)的預(yù)處理技術(shù)．計(jì)算機(jī)工程，2004，30（17）：178-181．

［8］元昌安．?dāng)?shù)據(jù)挖掘原理與SPSS Clementine應(yīng)用寶典．電子工業(yè)出版社，2009．

［9］馬瑾，孫穎，劉尚輝．決策樹(shù)模型在住院2型糖尿病患者死因預(yù)測(cè)中的應(yīng)用．中國(guó)衛(wèi)生統(tǒng)計(jì)，2013，30（3）：422-423．

［10］郭奕瑞，李玉倩，王高帥，等．人工神經(jīng)網(wǎng)絡(luò)模型在2型糖尿病患病風(fēng)險(xiǎn)預(yù)測(cè)中的應(yīng)用．鄭州大學(xué)學(xué)報(bào)：醫(yī)學(xué)版，2014（2）：180-183．

［11］羅森林，郭偉東，張?bào)?，等．基于Markov的Ⅱ型糖尿病預(yù)測(cè)技術(shù)研究．北京理工大學(xué)學(xué)報(bào)，2011，31（12）：1414-1418．

［12］羅森林，成華，顧毓清，等．C4．5算法在2型糖尿病分類(lèi)規(guī)則建立中的應(yīng)用．計(jì)算機(jī)應(yīng)用研究，2004，21（7）：174-176．

［13］于長(zhǎng)春．決策樹(shù)模型在2型糖尿病患者腦梗死風(fēng)險(xiǎn)預(yù)測(cè)中的應(yīng)用．中國(guó)衛(wèi)生統(tǒng)計(jì)，2011，28（6）：683-684．

［14］張銘．?dāng)?shù)據(jù)挖掘技術(shù)及在中醫(yī)藥領(lǐng)域中的應(yīng)用．全國(guó)商情·經(jīng)濟(jì)理論研究，2009（18）：136-138．

（責(zé)任編輯：劉 壯）

2015年河北省研究生創(chuàng)新資助項(xiàng)目（00302－6370027）；秦皇島市科技支撐計(jì)劃項(xiàng)目（201601B044）

1．河北省秦皇島市燕山大學(xué)經(jīng)濟(jì)管理學(xué)院（066004）

2．河北省秦皇島市中醫(yī)醫(yī)院

3．東華軟件股份有限公司

△通信作者：侯玉梅，E-mail：hym＿1220＠163．com