樹模型在社會心理流行病學研究中的應用.pdf

1、樹模型社會心理流行病學研究中的應用隨著疾病譜和現(xiàn)代醫(yī)學模式的轉變，流行病學研究的范圍也經歷了從傳染病到非傳染病、急性病到慢性病、從疾病到健康的轉變，社會因素、心理因素在疾病和健康問題相關研究中受到越來越多的關注。 基于樹結構模型的數(shù)據(jù)挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。 聽力損失和認知功能減退在老年人中較為普遍，對老年人的

2、身心健康都有影響，會使老年人的生活質量下降，危害極為嚴重。因此，探討聽力損失和認知功能的影響因素進而對其做出干預，對提高老年人生活質量有著重要意義。 目的： (1)探討老年人認知功能及聽力損害的影響因素及其作用方式； (2)比較通過幾種常見算法構建的樹結構模型的效果； (3)探討不同類型因變量資料的樹模型應用。 數(shù)據(jù)來源： 1.抽取太原市太白巷、杏花嶺、煤化所、江陽化工廠、農科院等五個社區(qū)

3、的1065名60歲以上非癡呆老年人作為研究對象，其中男461人，女604人。作為認知功能研究的查對象。調查內容為橫斷面研究，主要包括：1)認知功能測查。2)一般情況調查。3)生理指標測定。 2.隨機抽取太原市兩個社區(qū)的50歲以上中老年人371例(男131例，女240例)作為聽力損失的研究對象。調查內容包括1)一般情況調查。2)實驗室檢查。3)聽力測查。 研究方法： 1.認知功能研究將韋氏成人智力量表中的算術、木塊

4、圖、填圖和數(shù)字廣度四個分測驗的標準分和MMSE總分轉換為二分類變量，以轉換后的韋氏四項分測驗得分和MMSE總分為因變量，以CHAID、EXHAUSTIVE CHAID、CRT和QUEST四種算法擬合樹結構模型。 2.聽力損失研究以最優(yōu)耳聽閾、左耳聽閾、右耳聽閾以及0.5kHz、1kHz、2kHz聽閾為變量(連續(xù)變量)，擬合樹結構模型。 結果： 在認知功能研究中，對韋氏成人智力量表算術、木塊圖、填圖、數(shù)字廣度四個分

5、測驗得分有影響的變量有受教育程度、婚姻狀況、運動、性別、年齡、膽固醇、高密度脂蛋白、低密度脂蛋白、對身體狀況的自我感覺、吸煙、飲酒、收縮壓。 受教育程度低、喪偶、很少運動，女性、高齡、高密度脂蛋白低、低密度脂蛋白高、自我感覺身體較差、吸煙、飲酒是出現(xiàn)得分低于正常的危險特征。對MMSE測驗得分有影響的因素有冠心病史和舒張壓，有過冠心病史、舒張壓高于正常均可導致MMSE總分低于正常值。 不同的算法構建的樹結構模型對因素間交互

6、作用的方式描述有差異，但總體的趨勢一致。模型的響應指數(shù)曲線和收益曲線表明模型的擬合效果良好。模型的誤分代價估計值在0.10-0.38之間，錯分概率在7％-28％之間，整體預測精度達到72％-92.9％之間。 CRT算法和QUEST算法引入的變量較多但樹形圖相對簡單，是因為部分引入的變量并不是作為分支變量，而是當分支變量出現(xiàn)缺失值時作為其替代變量出現(xiàn)的，這些變量和分支變量有較高強度的關聯(lián)性，往往能為我們的下一步研究提供線索。在聽力

7、損失研究中，最優(yōu)耳聽力損失的影響因素有年齡、社區(qū)活動、舒張壓、收入；左耳聽力損失的影響因素有年齡、居住情況、收入和性別；右耳聽力損失的影響因素有年齡和收入；0.5kHz頻率下測得的聽力損失影響因素有出行習慣，年齡，收入，血糖，居住情況，高血壓；1.0 kHz頻率下測得的聽力損失影響因素有年齡、居住情況和性別；2．0kHz頻率下測得的聽力損失影響因素有年齡、收入、居住情況和性別。 年齡是老年人聽力損失的主要影響因素，隨著年齡的增長

8、，聽力損失的程度加重，一個例外是59歲和60歲老人的聽力損失較其相鄰的年齡段低；經常參加社區(qū)活動的人聽力損失程度重，舒張壓高于正常者聽力損失程度重，收入低于200元的人聽力損失程度重，和子女同住者聽力損失程度重，男性的聽力損失程度低于女性，習慣自己搭乘公車者聽力損失程度重，低血糖者聽力損失程度輕于正常者，有高血壓病史者聽力損失程度重。 左右耳比較，不同之處在于對居住情況(是否與兒女同住)的反應不同和部分的性別差異；0.5kHz頻

9、率下測得的聽力損失程度較另外兩種頻率下測得的聽力損失程度重，且影響的因素最多。 CHAID算法和EXHAUSTIVE CHAID算法在本研究中的擬合結果一致，由于本研究樣本量較小，CRT擬合的樹模型中不包含自變量，且結果很不穩(wěn)定，由于QUEST算法不能對連續(xù)型的因變量做出擬合，在本文中只采用了CHAID算法來構建樹模型。 結論： 本文以老年人認知功能減退影響因素研究和聽力損失影響因素研究為例，做樹結構模型的比較學

10、研究。以認知功能研究為例探討以不同算法對同一組資料構建樹結構模型挖掘出的信息有何異同，與傳統(tǒng)方法研究的結果作對比看是否具有一致性；以老年人聽力損失影響因素研究為例，探討同一組資料經不同方式預處理后再構建樹結構模型，嘗試從不同的側面對數(shù)據(jù)中隱藏的信息進行充分的挖掘，以便對數(shù)據(jù)背后的事實進行最大程度的還原。同時探討樹結構模型結果的表述與傳統(tǒng)方法研究的結果表述相比有何異同、特色和優(yōu)勢。 樹模型挖掘出來的信息和其他方法的結果反映的信息基

11、本一致，說明其對數(shù)據(jù)背后的事實還原程度較高，也就是說擬合效果較好，這是評價一種建模方法優(yōu)劣的根本標準。但傳統(tǒng)的方法更多的是單因素分析，結果比較側重于某一種特定的因素，反映的是研究對象的局部的一種特征；即使是在多因素分析時，為了顯示某一種或幾種因素的效應，需要人為地將另外一種或幾種因素的影響去掉，否則研究者關注的因素的作用就可能被掩蓋了，說明傳統(tǒng)方法對弱的交互作用探測能力不足，在這種情況下選擇哪些因素作為研究的目標，或者把那種因素的作用遮

12、蓋以便顯示其他因素的作用，就不可避免的具有了人為的偏性，這也是傳統(tǒng)方法是基于技術的特點決定的，研究者在進行研究時花費了大量的精力對數(shù)據(jù)進行修飾和處理以適合方法的需要，既損失了部分信息，也可能或多或少偏離了研究的初衷，出現(xiàn)結果不能被很好地解釋也就不在意料之外。樹結構模型是一種數(shù)據(jù)挖掘技術，而數(shù)據(jù)挖掘技術是基于數(shù)據(jù)的方法，樹結構模型擅長處理多變量資料，對資料的分布要求不嚴格，應用條件不苛刻，運算速度較快，適合處理不同類型的變量資料。CHAI

13、D、EXHAUSTIVE CHAID、CRT算法既可以適用于因變量為連續(xù)變量的情況，又可以適用于因變量是分類變量和無序變量的情況，QUEST算法只適用于因變量為連續(xù)變量的情況。CHAID算法和EXHAUSTIVE CHAID算法在構造樹模型時設定參數(shù)相同的情況下，生成的樹基本一致。CRT算法在樣本量較小時不穩(wěn)定，但在樣本量足夠大的情況下表現(xiàn)出色。在這種情況下研究者不需要花費大量的時間對數(shù)據(jù)進行處理和修飾，選擇一種適合的算法，即可在友好的

14、人機交互界面下引入眾多變量以原本的信息表現(xiàn)形式進行模型構建，使信息損失達到了最小程度，也使操作的復雜性降到了很低的程度。樹結構模型的另外一個特色是對交互作用的描述和解釋更簡單直觀，而且能描述多于兩種因素的交互作用，結果描述的是被研究對象同時具有的多種特征，具有較強的整體感。對于分類變量，能描述出幾種因素交互作用時帶來的目標效應的響應指數(shù)(能反應這些變量及其交互作用帶來的目標效應響應聚集強度。類似于OR值)，適合于篩選高危人群以便對其作出