決策樹模型在2型糖尿病患病風險預測中的應用*

侯玉梅朱亞楠朱立春吳 頌高秋燁

決策樹模型在2型糖尿病患病風險預測中的應用*

侯玉梅1△朱亞楠1朱立春2吳 頌2高秋燁3

目的探究決策樹模型在2型糖尿病患病風險預測中的應用，為預防和控制2型糖尿病的發(fā)生和發(fā)展提供臨床指導。方法收集數(shù)據(jù)并進行預處理，采用C5．0算法構建分類模型，之后對其預測結果進行評估。結果采用決策樹構建的三個模型的訓練集準確率分別為79．98%、98．26%、99．55%，測試集的準確率分別為81．27%、98．16%、98．16%，預測準確率都較高。結論采用C5．0算法構建決策樹模型，對預測糖尿病的患病風險具有一定的應用價值。

2型糖尿病 決策樹 風險預測

隨著我國人民生活水平的普遍提高以及生活節(jié)奏的加快，我國糖尿病患者數(shù)量正在以驚人的速度增長，且向低齡化發(fā)展［1］。最新調查顯示，我國成年人中的糖尿病患者高達1．14億，并呈現(xiàn)發(fā)病率高，知曉率、治療率和達標率低的現(xiàn)象，同時也給家人和社會帶來了沉重的經(jīng)濟負擔。因此，預防2型糖尿病的發(fā)生，對于控制糖尿病發(fā)病人數(shù)具有重要意義。本文利用數(shù)據(jù)挖掘C 5．0算法構建簡單個人水平預測、簡單臨床預測以及復雜臨床預測模型，以此發(fā)掘糖尿病患病的得病風險規(guī)律，為健康人群的預防和醫(yī)生臨床診斷提供指導。

資料與方法

1．資料來源

本文中資料數(shù)據(jù)來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型糖尿病患病相關的各項指標，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］）、入院體檢與實驗室檢查情況（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)預處理

數(shù)據(jù)清洗 對原始數(shù)據(jù)進行分析整理，對超出取值范圍的不合理數(shù)據(jù)或個別有缺失值的變量用指定值替代［6］。Flag（標志）型變量用False對應的值替代，Set（集）型變量用第一個變量值替代，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，需要對身高變量進行轉換，轉換函數(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行規(guī)約，計算BMI指數(shù)（kg/m2）＝體重/（身高×身高），然后根據(jù)中國體重指標標準將BMI指數(shù)進行離散化生成新屬性BMI＿set。類似地，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)挖掘的運算效率。

（2）算法選擇

本文使用決策樹來建立分類模型，該方法可以很直觀地看出分類規(guī)則，且擅于處理非數(shù)值型數(shù)據(jù)；具有效率高、分類精度高等優(yōu)點。目前，常用的決策樹算法有ID3、C5．0、CHAID、QUEST、CART等，它們的主要區(qū)別是“不同的決策樹算法的分枝策略不同”［9］，其中C5．0是以信息論為指導，以信息增益率為標準確定最佳分組變量和分割點，采用后修剪方法從葉節(jié)點向上逐層剪枝；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，提高了預測準確率和分類精度，所以本文采用C5．0算法。

（3）算法實現(xiàn)

本研究中C5．0算法由軟件Clementine 12．0實現(xiàn)，通過分區(qū)將現(xiàn)有樣本集隨機分割成兩部分：訓練集70%和測試集30%，有效地實現(xiàn)了決策樹模型的構建。模型運行前，設置使用分區(qū)數(shù)據(jù)，輸出類型選擇決策樹，并利用ChiMerge分箱法檢查當前分組變量，使得到的分類樹較精簡，采用Boosting技術試驗10次和交叉驗證折疊10次建立模型，提高模型預測的穩(wěn)健性，Mode選用Expert，修剪純度設為75，采用全局修剪。

結 果

1．模型建立

（1）簡單個人水平模型

當只考慮性別、年齡、身高、體重、生活習慣（煙齡）、家族史、既往病史等基本個人水平因素時，生成10個相關聯(lián)的模型，各模型的預測精度不同，最高為82．33%，最低為65．29%，應用Boosting技術后，預測精度為84．1%，分類精度提高。其相關聯(lián)的變量重要性排序如圖1所示，表明糖尿病患病風險與家族史和既往病史有著密切的關系。其中部分模型圖如圖2所示，這對于個人在簡單分析自己的身體水平及生活習慣方面，起著重要的作用。

圖1 簡單個人水平模型變量重要性排序

（2）簡單臨床模型

在簡單個人水平模型下，加入簡單臨床數(shù)據(jù)（包括空腹血糖、舒張壓、收縮壓等），也生成10個相關聯(lián)的模型，模型最高預測精度達到98．11%，最低為79．76%，相比簡單個人水平模型預測精度大大提高，應用Boosting技術后，預測精度達到了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)學知識大體一致，這對分析簡單臨床數(shù)據(jù)具有指導意義。其中部分模型圖如圖4所示。

圖2 部分簡單個人水平模型圖

圖3 簡單臨床模型變量重要性排序

圖4 部分簡單臨床模型圖

（3）復雜臨床模型

在簡單臨床模型下，加入檢驗數(shù)據(jù)（包括甘油三酯、低密度脂蛋白、總膽固醇），形成復雜臨床模型，模型最高預測精度達到98．79%，最低為91．36%，相比簡單臨床模型預測精度有所提高，說明數(shù)據(jù)越多，變量越多，預測越準確。其中變量重要性排序如圖5所示，綜合三個模型發(fā)現(xiàn)，空腹血糖、糖尿病家族史、心腦血管病史、年齡這四個變量對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 復雜臨床模型變量重要性排序

2．模型評估

（1）采用Analysis節(jié)點進行模型準確性評價，決策樹對各個模型的訓練集和測試集的預測結果準確率如表1所示。

由表1可知，三個模型的預測準確率都較高，而且訓練集和測試集的結果相近，說明不存在訓練集過度擬合的現(xiàn)象。通過比較發(fā)現(xiàn)，考慮的輸入變量越多，模型預測精度越高，但是從測試集的準確率來看，簡單臨床模型和復雜臨床模型基本一致，說明通過簡單臨床模型也可以發(fā)揮預測作用，方便居民隨時監(jiān)測身體狀況，從而及時預防2型糖尿病的發(fā)生。

圖6 部分復雜臨床模型圖

表1 三種模型的預測結果

（2）采用Kappa檢驗對三個決策樹模型進行一致性分析，其預測分類與實際分類的吻合情況如表2所示。

表2 三種模型的決策樹分類結果

通過比較三種模型的預測分類和實際分類，簡單個人水平模型的Kappa值為0．621，小于0．75，說明該模型的一致性一般。簡單臨床模型的Kappa值為0．964，復雜臨床模型的Kappa值為0．982，均高于0．75，說明兩種模型的一致性較高，預測結果與實際分類基本吻合，模型預測分類效果較佳。

（3）在預測模型的評價過程中，靈敏度、特異度和約登指數(shù)是其中重要的指標，指標越高預示著該模型具有較強的預測判別性能［10］。本研究通過比較三種模型總的預測分類和實際分類，計算三種模型的靈敏度、特異度、錯判率和約登指數(shù)（見表3），比較發(fā)現(xiàn)簡單個人水平模型特異度遠遠高于靈敏度，說明簡單個人水平模型預測非患者的能力遠遠高于預測患者的能力。綜合比較發(fā)現(xiàn)，復雜臨床模型的靈敏度和約登指數(shù)均較高，錯判率最低，說明復雜臨床模型的預測性能最好。但在簡單臨床條件下，三種指標已經(jīng)達到了很高的水平，說明在此條件下進行預測和篩查就能達到很好的效果。

表3 三種模型的靈敏度、特異度、錯判率、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，國內(nèi)在糖尿病患病風險預測中使用較多的方法有神經(jīng)網(wǎng)絡預測法、Markov預測法、C 4．5決策樹算法等［10－12］。與國內(nèi)預測方法不同的是，本文將決策樹C 5．0算法應用到2型糖尿病的發(fā)病規(guī)律研究中，根據(jù)不同的預測條件，得出多個決策樹模型。其中與神經(jīng)網(wǎng)絡預測法［10］相比，本文利用決策樹算法建立的模型簡單明了，可以更好地提取發(fā)病規(guī)則；與Markov預測法［11］相比，Markov預測能夠有效地預測2型糖尿病未來幾年內(nèi)的發(fā)病概率，而本文是根據(jù)目前的身體條件，及時準確地預測本人的發(fā)病情況，更具有實效性；與C 4．5決策樹算法［12］相比，本研究加入Boosting技術，提高了模型準確率和分類精度，并指導居民在不同生理水平條件下，做出相應的風險評估，從而為個人自我保健提供準確的指導，同時也為醫(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，對模型的評估表明，預測的準確性、可靠性以及一致性都比較高，說明該方法的應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中沒有編程界面，因此，要獲得理想的預測模型，需要對相關窗口中的參數(shù)反復進行調整［13］。此外訓練集和測試集的大小，缺失值和不合理數(shù)據(jù)的預處理方法，數(shù)據(jù)庫的質量以及模型參數(shù)的調整，對決策樹模型的穩(wěn)定性和預測效果都有一定的影響。但是由于時間和人力資源有限，所采集的數(shù)據(jù)無法涵蓋研究所需要的所有信息，使得收集和處理過程經(jīng)常脫節(jié)［14］，所采集的醫(yī)學數(shù)據(jù)也不是很完整，因此所建立的預測模型還有待進一步完善。本文貢獻在于為不同情況下2型糖尿病患者患病風險提供一種風險預測工具，同時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)挖掘技術的不斷改進，數(shù)據(jù)庫數(shù)據(jù)的不斷擴大，應用C 5．0算法對糖尿病患病風險預測的準確性將不斷增加，從而對糖尿病高危人群的預防和醫(yī)生臨床診斷起到一定的指導和參考作用。

［1］王海鵬．我國診斷糖尿病疾病經(jīng)濟負擔趨勢預測研究．山東大學，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系的研究．中國熱帶醫(yī)學，2014，14（11）：1343-1346．

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

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

［5］鄒宇華，張弛，張冬梅，等．2型糖尿病危險因素的非條件Logistic回歸分析．中國慢性病預防與控制，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型糖尿病實測數(shù)據(jù)的預處理技術．計算機工程，2004，30（17）：178-181．

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

［9］馬瑾，孫穎，劉尚輝．決策樹模型在住院2型糖尿病患者死因預測中的應用．中國衛(wèi)生統(tǒng)計，2013，30（3）：422-423．

［10］郭奕瑞，李玉倩，王高帥，等．人工神經(jīng)網(wǎng)絡模型在2型糖尿病患病風險預測中的應用．鄭州大學學報：醫(yī)學版，2014（2）：180-183．

［11］羅森林，郭偉東，張笈，等．基于Markov的Ⅱ型糖尿病預測技術研究．北京理工大學學報，2011，31（12）：1414-1418．

［12］羅森林，成華，顧毓清，等．C4．5算法在2型糖尿病分類規(guī)則建立中的應用．計算機應用研究，2004，21（7）：174-176．

［13］于長春．決策樹模型在2型糖尿病患者腦梗死風險預測中的應用．中國衛(wèi)生統(tǒng)計，2011，28（6）：683-684．

［14］張銘．數(shù)據(jù)挖掘技術及在中醫(yī)藥領域中的應用．全國商情·經(jīng)濟理論研究，2009（18）：136-138．

（責任編輯：劉 壯）

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

1．河北省秦皇島市燕山大學經(jīng)濟管理學院（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