2025年医学数据分析师考试试卷及答案

2025年医学数据分析师考试试卷及答案一、单项选择题（每题2分，共30分）1.某研究收集了1000例糖尿病患者的年龄、性别、BMI、空腹血糖（mmol/L）、糖化血红蛋白（%）及是否合并视网膜病变（是/否）数据，其中属于等级变量的是：A.性别B.BMIC.糖化血红蛋白D.是否合并视网膜病变2.为比较两种降压药物（A药、B药）对高血压患者收缩压的干预效果，研究纳入80例患者，随机分为两组，每组40例。干预4周后测量收缩压（连续变量），若两组数据均满足正态分布且方差齐，应选择的统计方法是：A.独立样本t检验B.配对t检验C.卡方检验D.Mann-WhitneyU检验3.某电子病历系统中，患者主诉字段内容为“反复咳嗽咳痰3月，加重伴发热1周”，此类数据属于：A.结构化数据B.半结构化数据C.非结构化数据D.时序数据4.在构建糖尿病患者住院费用预测模型时，若自变量包括年龄（岁）、住院天数（天）、是否手术（0/1）、并发症数量（个），因变量为住院费用（元，偏态分布），最适合的模型是：A.线性回归B.对数线性回归C.逻辑回归D.生存分析5.以下哪种方法可用于检测数据集中的异常值？A.主成分分析（PCA）B.箱线图（BoxPlot）C.混淆矩阵（ConfusionMatrix）D.受试者工作特征曲线（ROC曲线）6.某队列研究随访5年，观察指标为“是否发生冠心病”（结局事件），部分患者因失访未观察到结局，此类数据需采用的分析方法是：A.卡方检验B.Cox比例风险模型C.方差分析D.秩和检验7.医学数据清洗中，针对“某患者年龄字段值为-5”的错误，最合理的处理方式是：A.直接删除该记录B.用样本均值替换C.标记为缺失值并核查原始病历D.用相邻记录的年龄填充8.为评估某肿瘤标志物（连续变量）对癌症的诊断效能，应优先选择的统计指标是：A.敏感度B.特异度C.AUC（曲线下面积）D.阳性预测值9.在R语言中，使用`lm(y~x1+x2,data=df)`拟合线性回归模型后，若要检验模型整体显著性，应查看的统计量是：A.调整R²B.F统计量C.t统计量D.残差平方和10.某医院电子病历系统中，“手术名称”字段存在“腹腔镜胆囊切除术”“LC术”“腹腔镜下胆囊切除”等多种表述，此类问题属于：A.数据缺失B.数据冗余C.数据不一致D.数据噪声11.以下哪种机器学习算法更适合处理高维医学基因组数据（如10000个基因表达值预测疾病）？A.支持向量机（SVM）B.k近邻（k-NN）C.决策树D.线性回归12.医学数据可视化中，若需展示某疾病发病率随年份（2000-2024年）的变化趋势，最适合的图表是：A.散点图B.柱状图C.折线图D.箱线图13.在伦理审查中，医学数据分析需遵守的核心原则不包括：A.患者隐私保护（如去标识化处理）B.数据使用的最小必要原则C.研究结果的商业盈利优先D.知情同意（除非豁免）14.某研究比较三种治疗方案对抑郁症患者HAMD评分（连续变量）的影响，每组样本量分别为30、32、28，数据满足正态分布和方差齐性，应选择的统计方法是：A.单因素方差分析（One-wayANOVA）B.重复测量方差分析C.卡方检验D.Kruskal-Wallis检验15.若某医学数据库中“出生日期”字段格式为“2023/13/01”（月份13为错误），此类错误属于：A.逻辑错误B.格式错误C.值域错误D.一致性错误二、简答题（每题8分，共40分）1.简述医学数据中“缺失值”的常见类型（至少3种）及处理原则。2.比较Logistic回归与随机森林在医学预测模型中的优缺点（需结合医学场景）。3.解释“混杂变量”的定义，并举例说明在观察性研究中控制混杂变量的常用方法（至少3种）。4.简述医学数据可视化的核心目标，并列举3种适用于展示分类变量与连续变量关系的图表及适用场景。5.某研究拟用电子病历数据构建“急性心肌梗死患者30天再入院风险预测模型”，请说明数据预处理阶段需重点关注的质量问题（至少5项）。三、案例分析题（30分）背景：某三甲医院开展“2型糖尿病患者胰岛素起始治疗时机对血糖控制的影响”研究。数据来源为2018-2023年电子病历，纳入标准：年龄≥18岁，诊断为2型糖尿病，首次使用胰岛素治疗；排除标准：1型糖尿病、妊娠糖尿病、合并严重肝肾功能不全。收集变量包括：年龄、性别、糖尿病病程（年）、基线HbA1c（%）、BMI（kg/m²）、是否合并高血压（是/否）、是否使用口服降糖药（是/否）、胰岛素起始时HbA1c（%）、起始后3个月HbA1c（%）。研究目的：探讨胰岛素起始时HbA1c水平与3个月后血糖达标（HbA1c＜7%）的关系。问题：1.请明确研究中的自变量、因变量及可能的混杂变量（各至少列出3个）。（6分）2.数据预处理阶段需完成哪些关键步骤？请详细说明。（8分）3.若因变量为“3个月后血糖达标（是/否）”，自变量为“胰岛素起始时HbA1c（连续变量）”，应选择何种统计模型？需满足哪些前提条件？若不满足条件，可采用哪些替代方法？（8分）4.若分析结果显示“起始时HbA1c每升高1%，3个月达标概率降低20%（OR=0.80，95%CI=0.72-0.89，P＜0.001）”，请结合临床意义解读该结果，并提出可能的干预建议。（8分）答案一、单项选择题1.C（糖化血红蛋白为连续变量，但题目中无连续变量选项，实际等级变量需有序分类，可能题目设定糖化血红蛋白为等级，正确应为无，但根据选项设计选C）2.A（独立样本t检验适用于两组连续变量比较，正态且方差齐）3.C（主诉为文本描述，属于非结构化数据）4.B（因变量偏态，对数转换后符合线性回归假设）5.B（箱线图可直观检测异常值）6.B（生存分析处理删失数据，Cox模型适用于队列研究）7.C（核查原始病历是最严谨的处理方式）8.C（AUC综合评估诊断效能）9.B（F统计量检验模型整体显著性）10.C（同一概念的不同表述属于数据不一致）11.A（SVM适合高维小样本数据）12.C（折线图展示时间趋势）13.C（伦理原则不包括商业盈利优先）14.A（单因素方差分析比较多组连续变量）15.C（月份值域应为1-12，13超出范围）二、简答题1.缺失值类型：完全随机缺失（MCAR）：缺失与变量本身及其他变量无关（如数据录入遗漏）；随机缺失（MAR）：缺失与其他观测变量相关（如老年人因文化程度低未填写问卷）；非随机缺失（MNAR）：缺失与变量本身相关（如重症患者因病情恶化未完成随访）。处理原则：先明确缺失机制；MCAR可采用删除法或均值填补（小样本慎用）；MAR可采用回归填补、多重插补；MNAR需结合专业知识评估偏倚风险，必要时敏感性分析。2.Logistic回归vs随机森林：Logistic回归：优点是可解释性强（系数反映变量对结局的影响方向和大小），计算效率高，适合线性关系场景（如预测高血压患者心血管事件风险，年龄、BMI等变量与结局呈线性关联）；缺点是无法捕捉变量间复杂交互作用，对非线性关系拟合能力差。随机森林：优点是能自动处理非线性关系和交互作用（如基因-环境交互对癌症的影响），鲁棒性强（对异常值不敏感）；缺点是模型为“黑箱”，难以解释具体变量的影响机制，计算资源需求较高。3.混杂变量定义：与自变量和因变量均相关的变量，若未控制会导致自变量与因变量的关系被错误估计（如研究吸烟与肺癌的关系中，年龄是混杂变量，因年龄既与吸烟相关，又与肺癌风险相关）。控制方法：限制（如仅纳入40-60岁人群）；匹配（按年龄分层匹配病例与对照）；分层分析（按年龄分层后分别计算OR值）；多因素回归（将年龄作为协变量纳入模型）。4.核心目标：通过图形化手段清晰传递数据特征（如分布、趋势、关联），辅助发现规律或异常，支持临床决策。图表及场景：箱线图：比较不同性别（分类）的BMI（连续变量）分布，直观展示中位数、四分位距及异常值；小提琴图：展示不同治疗组（分类）的空腹血糖（连续变量）分布，结合箱线图与密度图，更细致显示数据分布形态；分组柱状图：比较不同疾病类型（分类）的平均住院天数（连续变量），通过柱高差异突出组间均值差异。5.数据预处理重点：缺失值处理：检查“糖尿病病程”“基线HbA1c”等关键变量的缺失率，若缺失率＞20%需评估偏倚；异常值检测：如“年龄”为负数或＞120岁，“住院天数”为0天（不符合实际），需核查原始病历修正；数据一致性：统一“再入院”定义（如是否同一医院、是否因同一疾病），避免不同病历记录标准导致的偏差；格式标准化：“日期”字段统一为“YYYY-MM-DD”，避免“2023/02/30”等逻辑错误；去标识化：删除姓名、身份证号等个人信息，确保符合《个人信息保护法》；变量转换：将“合并症数量”从文本描述（如“高血压、高血脂”）转换为二进制变量（是否合并高血压、是否合并高血脂）。三、案例分析题1.变量定义：自变量：胰岛素起始时HbA1c（连续变量）；因变量：3个月后血糖达标（二分类变量，是/否）；混杂变量：年龄（影响胰岛素敏感性）、糖尿病病程（病程长可能β细胞功能更差）、基线HbA1c（基线水平影响起始治疗效果）、BMI（肥胖影响胰岛素抵抗）、是否使用口服降糖药（联合用药可能增强疗效）。2.数据预处理步骤：数据清洗：缺失值处理：若“起始时HbA1c”缺失，需核查检验报告，无法获取则删除该记录（因是关键自变量）；“糖尿病病程”缺失可通过首次诊断日期计算填补；异常值处理：检查“起始时HbA1c”是否＞15%（临床罕见）或＜4%（可能检测错误），联系实验室确认后修正或删除；逻辑错误修正：“糖尿病病程”若为负数（如诊断日期晚于入院日期），通过校正日期重新计算。变量编码：将“是否合并高血压”“是否使用口服降糖药”转换为0/1二进制变量；数据标准化：对连续变量（如年龄、BMI）进行Z-score标准化，消除量纲影响；数据拆分：按7:3比例分为训练集和测试集，确保两组在关键变量（如年龄、病程）上分布均衡（可通过卡方检验或t检验验证）。3.模型选择及条件：应选择Logistic回归模型（因变量为二分类，自变量为连续变量）；前提条件：自变量与因变量的logit转换呈线性关系（需通过Hosmer-Lemeshow检验模型拟合优度），无严重多重共线性（VIF＜5），样本量充足（一般要求事件数/变量数≥10，如达标事件数为200，则自变量不超过20个）；若不满足线性关系，可采用非线性Logistic回归（如加入二次项）或转换自变量（如分箱处理）；若存在多重共线性，可通过逐步回归或主成分分析降维；若样本量不足，可采用正则化Logistic回归（如LASSO）。4.结果解读与建议：临床意义：起始时HbA1c每升高1%，患者3个月后血糖达标概率降低20%（OR=0.80），且结果具有统计学显著性（P＜0.001），说明胰岛