脑中风诊断的交叉证实法

脑中风诊断的交叉证实法

一、脑中风的判别指标中风的早期诊断对于早期诊断和治疗对于早期诊断和治疗具有重要的临床意义。目前,医生临床分类诊断的正确率只有70%左右;以头颅CT和核磁共振检查诊断较为可靠,但其价格昂贵;且因CT和核磁共振检查需搬动病人,易加重病情;尤其是CT和核磁共振检查对早期脑缺血常出现假阴性。寻求对脑中风作早期分类诊断的正确适用方法,一直成为医学研究中的重要课题。脑中风的判别指标多达23个,宜先采用逐步判别分析筛选出主要判别指标;筛选出的13个判别指标有11个指标属于定性变量,应采用非参数判别分析。非参数逐步判别分析的成功应用实例极少见报道。本文使用SAS软件,采用非参数逐步判别分析,有脑中风病人的分类诊断中,取得了成功的实际应用效果。二、数据和方法2.1数据收集2.1.1训练样本复旦大学附属中山医院近年78例脑中风病人的数据。2.1.2应用数据苏州大学附属医院2002年42例脑中风病人的数据。2.1.3病例对照检查x1(性别):x1=1(男)、x1=2(女),x2(年龄:岁),x3(收缩压:kpa),x4(舒张压:kpa),x5(恶心、呕吐):x5=1(有)、x5=2(无),x6(意识):x6=1(清醒)、x6=2(嗜睡)、x6=3(昏迷),x7(瞳孔):x7=1(等大)、x7=2(不等大),x8(针尖样瞳孔):x8=1(有)、x8=2(无),x9(对光反射):x9=1(存在)、x9=2(不存在),x10(语言障碍):x10=1(有)、x10=2(无),x11(颈项强直):x11=1(有)、x11=2(无),x12(瘫痪):x12=1(有)、x12=2(无),x13(感觉障碍):x13=1(有)、x13=2(无),x14(发病状态):x14=1(激动)、x14=2(运动)、x14=3(一般情况)、x14=4(睡眠或安静),x15(起病方式):x15=1(急性)、x15=2(慢性),x16(Babinski症):x16=1(阳性)、x16=2(阴性),x17(风心病史):x17=1(有),x17=2(无),x18(心脏杂音):x18=1(有),x18=2(无),x19(全血粘度/高切:mpa·s),x20(全血粘度/低切:mpa·s),x21(血浆粘度:mpa·s),x22(血沉:毫米/小时)、x23(血球压积:%)。分类变量(以头颅CT和核磁共振检查诊断为依据)g:g=1(脑出血)、g=2(脑缺血)。2.2型别变量的计算本文采用不等带宽核密度估计的非参数判别分析,首先需建立判别对象x与j类中判别对象Y间的平方距离函数:D2(X‚Y)=(X−Y)’COV−1j(X−Y)(1)D2(X‚Y)=(X-Y)’CΟVj-1(X-Y)(1)这里,(X-Y)’:对象X与j类中对象Y的各相同指标差值向量,COV−1jj-1(X-Y):对象X与j类中各对象Y的各相同指标差值的协方差矩阵之逆矩阵。然后求出判别函数:F(X|j)=n−1jSUMiexp(−.5D2(X,Yji)/R2)(2)F(X|j)=nj-1SUΜiexp(-.5D2(X,Yji)/R2)(2)这里,D2(X,Yji):对象X与j类中第i个对象Yji间的平方距离,R2:各指标分别与分类变量间相关系数的平方之均值。再计算后验概率:Pr(j|j)=PRIORj⋅F(X|j)/SUMkPRIORk⋅F(X|k)(3)Ρr(j|j)=ΡRΙΟRj⋅F(X|j)/SUΜkΡRΙΟRk⋅F(X|k)(3)这里PRIORk为k类的先验概率。最后针判别对象判入后验概率大的类别中。2.3trenspin+percsify+t4本文编制的不等带宽核密度估计的非参数判别分析SAS程序(一般SAS书中未见介绍)为:datanpardisc;inputx1x3x4x6x7x9x10x13x15x16x17x21g@@;settrainapply;(注:train、apply分别为训练、应用数据集)procprintdata=plotdataprocdiscrimdata=traintestdata=applytestout=plotptestoutd=plotdmethod=nparkernel=normalr=.4pool=noshortnoclssifycrosslisterr;classg;priorsproportional;varx1x3x4x6x7x9x10x11x13x15x16x17x21;procprintdata=plotp;run;三、方法的应用效果3.1逐步判别分析结果采用后退法,取删除变量的概率临界值sls=0.10.SAS逐步判别分析运行结果,筛选出13个主要判别指标,见表1。3.2非参数判别分析结果3.2.1交叉证实结果本文采用不等带宽核密度估计的非参数判别分析,对训练样本判别对象,采用交叉证实法(Crossvalidation)来检验判别效果:在78个对象中,每次用一个不同的对象作为公式(1)、(2)、(3)中的对象X,由其的77个对象作为公式(1)中的Y或公式(2)中的Yji。先按公式(1)计算出X与j(j=1,2)类中每个Y的平方距离D2(X,Y);然后按公式(2)计算出X在j(j=1,2)类的判别函数值F(X|j);再按公式(3)计算出X在j(j=1,2)类中的后验概率Pr(j|X);最后按Pr(1|X)、Pr(2|X)的大小将X判入后验概率大的类别中。SAS运行结果(见表2):33例脑出血病人有29例判为脑出血,4例错判为脑缺血,判别正确率为87.88%;45例脑缺血病人有40例脑出血病人有40例判为脑缺血,5例错判为脑出血,判别正确率为88.89%;总判别正确率=0.8788×0.4231(PRIOR1)+0.8889×0.5769(PRIOR2)=88.46%,判别效果良好。3.2.2应用判别结果本文采用不等带宽核密度估计的非参数判别分析,分别将42例急需分类诊断的每一名脑中风病人作为公式(1)、(2)、(3)中的对象X,由训练样本中的78个对象作为公式(1)中的Y或公式(2)中的Yji。先按公式(1)计算出X与j(j=1,2)类中每个Y的平方距离D2(X,Y);然后按公式(2)计算出X在j(j=1,2)类的判别函数值F(X|j);再按公式(3)计算出X在j(j=1,2)类中的后验概率Pr(j|X);最后按Pr(1|X)、Pr(2|X)的大小将X判入后验概率大的类别中。SAS运行结果见表2,实际应用效果良好。4.1非参数判别分析的具体方法、步骤未见书中介绍或杂志报道。本文使用SAS软件,采用不等带宽核密度估计的非参数判别分析,SAS只是简单地输出显示了此方法的平方距离函数、判别函数、后验概率的笼统公式。作者通过推导分析、数据验算等,弄清了这些公式的意义,明确了公式中各符号的含义,掌握了此方法的具体步骤。4.2对本文78例训练样本,仍按后退法逐步判别分析筛选出的同样13个主要判别指标,进行参数法判别分析,SAS运行得交叉证实结果:33例脑出血病人有22例判为脑出血,11例错判为脑缺血,判别正确率为66.67%;45例脑缺血病人有33例判为脑缺血,12例错判为脑出血,判别正确率为73.33%;总判别正确率为70.51%,判别效果差。说明对定性指标变量,应采用非参数判别分析。4.3对本文78例训练样本,以头颅CT和核磁共振检查为依据,医生临床分类诊断的结果为:33例脑出血病人有20例诊断为脑出血,10例误诊为脑