好乐宝博客
王辅之;罗爱静;付连国;陈兴智;潘玮
【摘 要】Objective Chronic disease risk prediction is an important issue in the fields of public health as well as health information technology .Present article reviews the current research situation of chronic disease risk pre‐diction .Three database (PubMedEBSCOEMBASE) was retrieved for the literature collection of chronic disease risk prediction .The chronic disease risk prediction related technology ,method ,and content in three aspects includ‐ed :chronic disease risk factors ,risk prediction model ,and quality assessment of prediction model was discussed . The occurrence and development of chronic diseases are closely related with biological genetic ,living habits ,and social psychological factors .Risk prediction model was based on two methods ,the statistical model and the artificial intelligence model .The quality assessment of chronic disease risk prediction model commonly used global model fit‐ness ,calibration ,receiver operating characteristic (ROC) ,net reclassification improvement (NRI) ,and integrated discrimination i
mprovement (IDI) .In future research ,the public health big data should play more important role , and multi‐factors combined risk prediction model should be best method for risk discrimination .The idea of evi‐dence‐based medicine and ethical issues should give full consideration in chronic risk prediction .%目的：慢性病患病风险预警问题是公共卫生领域的重要课题，也是卫生信息技术领域的研究热点。本文对国外慢性病患病风险预警研究现状进行梳理。采用文献回顾研究方法，检索 PubMed 、EBSCO 、EM‐BASE3个数据库收录的慢性病患病风险预警的相关研究论文，从“慢性病危险因素遴选”、“风险预警模型构建”和“慢性病风险预警模型质量评估”3个方面，对慢性病患病风险预警建模所涉及的技术、方法和内容等问题进行归纳。慢性病的发生、发展与生物遗传、生活习惯、社会心理等因素密切相关；风险预警建模方法可采用基于统计学模型和人工智能的方法；预警模型的质量评估方法一般采用全局模型拟合评估、标度评估、受试者工作特征曲线（ROC）、净再分类改善指数（NRI）和整合辨识力改善指数（IDI）等。在今后的研究中，应该充分发挥公共卫生大数据优势，注重多因素联合作用对慢性病患病风险的影响，遵循循证医学的思想，并充分考虑慢性病患病风险预警中的伦理学问题。
topgamer
【期刊名称】《济宁医学院学报》
【年(卷),期】2015(000)006
【总页数】6页(P415-420)
【关键词】慢性病;患病风险;预警模型
【作 者】三乙醇胺乳膏王辅之;罗爱静;付连国;陈兴智;潘玮
【作者单位】蚌埠医学院卫生管理系，安徽 蚌埠 233000; 医学信息研究湖南省普通高等学校重点实验室 中南大学 湖南 长沙 410000;医学信息研究湖南省普通高等学校重点实验室 中南大学 湖南 长沙 410000;蚌埠医学院预防医学系，安徽 蚌埠 233000;蚌埠医学院卫生管理系，安徽 蚌埠 233000;蚌埠医学院卫生管理系，安徽 蚌埠 233000
【正文语种】中 文
【中图分类】R554.1
慢性非传染性疾病(non-communicable diseases，NCD)主要指心脑血管疾病、糖尿病、癌症和慢性阻塞性肺疾病为主的一系列疾病，已造成全球超过60%的死亡和伤残，预计该数
字到2030年将达到75%[1]。2011年，第66届联合国大会预防和控制慢性病高级别会议通过了《关于预防和控制非传染性疾病的政治宣言》，该宣言是全球领导人首次对攻克心脏病、脑卒中、癌症、慢性呼吸系统疾病和糖尿病等慢性病所采取的具体行动达成共识[2]。2013年，第66届世界卫生大会又通过了《预防控制非传染性疾病全球行动计划(2013-2020)》[3]。慢性病防控已成为全世界健康促进工作重点关注的内容。
慢性病预警是全球卫生保健领域新兴的研究课题，也是改善中低收入国家卫生保健状况的重要手段[4]。近年来，国外慢性病患病风险预警问题的研究得到了众多科研机构和学者的广泛关注，而国内对于慢性病防控工作重点在“控”，而疏于“防”，慢性病患病风险预警研究尚未引起我国医疗卫生机构的足够重视[5]。随着全世界卫生信息化进程的迅速发展和信息技术在卫生信息管理领域的快速普及，数字化管理产生了海量的医疗数据[6]。基于公共卫生大数据系统，建立慢性病风险预警机制，对于降低慢性病患病风险、减少慢性病对人体的损伤，改善慢性病患者的生命质量具有重要意义。
本文以“chronic disease”、“risk”、“assessment”、“evaluation”、“prediction”为关键词对3个外文电子数据库(PubMed、EBSCO、EMBASE)中近十年来发表的相关文献进行检索，
排除重复文献后，共检索文献116篇。为进一步准确获得所需文献，我们以常见的慢性病名称(“Coronary heart disease”、“Cardiovascular disease”、“Cancer”、“Diabetes”等)对检索结果的文献标题进行人工筛选，得到相关文献45篇，阅读摘要后排除不相关文献17篇，最终筛选出28篇关于各类慢性病患病风险预警的研究文献。文献纳入标准：文献涉及疾病类型属于国家卫计委等15个部门联合制定的《中国慢性病防治工作规划(2012-2015年)》中涉及的慢性病种类(包括心/脑血管疾病、糖尿病、癌症、慢阻肺、神经系统疾病、消化系统疾病等)。
通过阅读全文，对其中的文献按照慢性病危险因素遴选、风险预警模型构建和预警质量评估3部分进行整理，最后简述了国外相关的研究对我国今后开展慢性病患病风险预警研究的启示。
2.1 慢性病危险因素遴选
慢性病患病风险指标的选择是慢性病患病风险预警的首要问题。慢性病的发生、发展与生物遗传、生活习惯、社会心理等因素密切相关。在日本，慢性病已更名为“生活习惯病”，也充分说明了慢性病的罹患与病程发展不仅受到生理学、遗传学因素的影响，更与生活习
惯、社会因素及心理因素密切相关。因此，慢性病风险指标应该综合考虑多因素对慢性病患病的综合影响作用[7-8]。
评估危险因素与罹患慢性病之间的关系，必须保证患病风险模型中危险因素的可靠性和有效性。队列研究能够将患病时间因素纳入慢性病危险因素研究，因此，大多数慢性病危险因素的获取是基于队列研究得到的，但获得的数据一般以健康筛查或健康管理为目的，纳入的危险因素数量和慢性病患病评估结果一般是有限的，这又会影响最终慢性病患病预警模型的准确性[9]。也有学者提出，在慢性病危险因素遴选中，应该充分发挥电子健康档案的作用，并考虑将健康危险因素数据的收集工作纳入个人电子健康档案架构中。慢性病风险预警模型变量的测量也应该设计标准化操作方法，而危险因素测量工具的效度和信度评估应该贯穿整个研究过程[10]。
2.2 风险预警模型构建
慢性病风险预警模型的构建一般分为2种类型：基于统计学模型的风险预警和基于人工智能方法的风险预警。
在基于统计学模型的风险预警中，多元线性回归和多元logistic回归等回归模型是最常见的危险因素对疾病发生影响的分析方法。在给定了潜在的危险因素变量和慢性病患病情况后，统计模型中的回归系数就描述了危险因素与患病情况的关联强度，一旦回归系数确定，当前危险因素状况对个体慢性病患病风险的影响强度也随之确定[11-12]。例如，评估个体心血管疾病患病风险预警模型“Framingham Risk Score”[13]和乳腺癌患病风险预警模型“Breast Cancer Risk Assessment Tool(Gail model)”[14]。
而基于人工智能方法的风险预警，则一般应用人工神经网络[15]或支持向量机[16]等工智能理论，对当前危险因素状况可能会给个体带来的危险因素给出评估得分。这种方法一般基于先验知识，将危险因素变量带入预警模型，由预警模型自动计算当前危险因素状况可能对个体健康带来的影响作用程度。
图1是一个典型的包含隐含层的BP神经网络拓扑模型，基于疾病风险因素与健康状况的先验知识，对该网络进行训练，并设定最大误差允许值，当训练误差满足最大允许值后，即认为网络训练结束。将疾病风险因素作为网络输入，该网络会模拟专家判断，给出患病风险最佳拟合结果并输出，完成疾病风险预警评估。
教育叙事研究的一般步骤
2.3 慢性病风险预警模型的质量评估
预警质量评估也是开展慢性病患病风险预警模型研究的重要课题。一个好的风险预警模型能够根据输入变量情况，对慢性病患病风险给出准确预测。常用的疾病风险预警质量评估方法包括：全局模型拟合评估、标度评估、受试者工作特征曲线(ROC)等。
2.3.1 全局模型拟合 全局模型拟合(global model fitness)评估的目的是基于最少变量发现最佳拟合模型。赤池信息量准则(Akaike information criterion，AIC)和贝叶斯信息准则(Bayesian information criterion，BIC)是全局模型拟合评估常用的2种方法[18]。
AIC准则是衡量统计模型拟合优良性的一种标准，用于权衡估计模型的复杂度和模型拟合数据的优良性[19]。一般表示为：
AIC = ( 2k-2L ) / n
其中k是参数的数量，L是对数似然值，n是观测值数量。k小意味着模型简洁，L大意味着模型精确，因此,该评估模型兼顾了评估的简洁性和精确性。
而贝叶斯信息准则[20]则是在信息缺失情况下，对部分未知状态用主观概率估计，然后用贝叶斯公式对发生概率进行修正，最后利用期望值和修正概率给出最优决策的评价方法。
分享派
2.3.2 标度 标度(calibration)是对不同分组样本，疾病风险预测结果与观测值相比较得到的差值，可以通过图形直观观测。标度越小，表明疾病风险预测结果与观测值越接近，其统计学显著性通常采用Hosmer-Lemeshow’s卡方检验来评价[21]。图2是2种急性生理功能评分模型(simplified acute physiology score II，SAPS-II)对ICU病人死亡情况的预测评价结果的标度散点图[20]，从图中可以看出相比传统SAPS-II预测模型，NIR-SAPS预测模型的预测风险更低。
2.3.3 受试者工作曲线 受试者工作曲线(receiver operating characteristic curve,ROC)是根据一系列不同的二分类变量，以真阳性率(灵敏度)为纵坐标，假阳性率(1-特异度)为横坐标绘制的曲线，对同一种疾病的两种或两种以上诊断方法进行比较。可将各试验的ROC曲线绘制到同一坐标中，直观地鉴别优劣。靠近左上角的ROC曲线所代表的受试者工作最准确，也可通过分别计算各个试验的ROC曲线下的面积(AUC)进行比较，AUC最大的评价模型，其试验诊断价值最佳。ROC曲线分析是疾病风险预警模型效果评价的重要工具[23]。
图3是分析AFU、AFP、TK1和3种标志物联合模型对肝癌细胞诊断效能的ROC曲线。从图中也可明显看出，3种标志物联合模型的肝癌细胞诊断效能最高[24]。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议