• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于Relief-F算法的心血管介入患者術(shù)后死亡風(fēng)險預(yù)測

    2024-01-01 00:00:00楊健斌李詠夏淑東齊鵬嘉戴燕云童基均
    浙江理工大學(xué)學(xué)報 2024年5期
    關(guān)鍵詞:隨機森林機器學(xué)習(xí)特征提取

    摘 要: 針對心血管介入患者全周期病理數(shù)據(jù)普遍存在缺失、不連續(xù)、非結(jié)構(gòu)化等問題,建立了心血管介入專病數(shù)據(jù)庫,并采用基于Relief-F算法的預(yù)測方法,對心血管介入患者術(shù)后死亡風(fēng)險進行預(yù)測。首先參照HL7、CDISC等國際心血管疾病統(tǒng)一標準對各數(shù)據(jù)源進行標準化處理,建立研究數(shù)據(jù)集,并對數(shù)據(jù)進行清洗和預(yù)處理;其次采用Relief-F算法對特征進行選擇,最終保留30個特征變量;再次選擇邏輯回歸、支持向量機、隨機森林等3種機器學(xué)習(xí)方法進行建模分析,并采用10折交叉驗證方法對分類器進行訓(xùn)練;最后引入準確率等模型評價指標來評估各算法在數(shù)據(jù)集上的分類預(yù)測效果。實驗結(jié)果表明:隨機森林的分類效果在該研究數(shù)據(jù)集上的表現(xiàn)最佳,準確率達到81.97%,精確率為86.90%,召回率為82.14%,F(xiàn)1值為0.8441。該研究提出的方法能夠客觀反映患者術(shù)后死亡風(fēng)險,為心血管介入患者術(shù)后死亡風(fēng)險預(yù)測提供了一種有效的解決方案。

    關(guān)鍵詞: 心血管介入;術(shù)后死亡風(fēng)險預(yù)測;Relief-F算法;特征提取;機器學(xué)習(xí);隨機森林

    中圖分類號: TP391.4

    文獻標志碼: A

    文章編號: 1673-3851 (2024) 05-0378-11

    引文格式:楊健斌,李詠,夏淑東,等. 基于Relief-F算法的心血管介入患者術(shù)后死亡風(fēng)險預(yù)測[J]. 浙江理工大學(xué)學(xué)報(自然科學(xué)),2024,51(3):378-388.

    Reference Format: YANG Jianbin, LI Yong, XIA Shudong, et al. Prediction of postoperative death risk in patients with cardiovascular intervention based on the Relief-F algorithm[J]. Journal of Zhejiang Sci-Tech University,2024,51(3):378-388.

    Prediction of postoperative death risk in patients with cardiovascular intervention based on the Relief-F algorithm

    YANG Jianbin1, LI Yong1, XIA Shudong2, QI Pengjia1, DAI Yanyun1, TONG Jijun1

    (1.School of Information Science and Technology, Zhejiang Sci-Tech University, Hangzhou 310018, China;

    2.The Fourth Affiliated Hospital, Zhejiang University School of Medicine, Yiwu 322000, China)

    Abstract:" In view of the common problems such as missing, discontinuous and unstructured pathological data of patients with cardiovascular intervention throughout the whole cycle, a cardiovascular interventional disease database was established, and the prediction method based on the Relief-F algorithm was adopted to effectively predict the risk of postoperative death of patients with cardiovascular intervention. Firstly, all data sources were standardized according to HL7, CDISC and other international cardiovascular disease standards to obtain research data sets, and the data sets were cleaned and preprocessed. Secondly, the Relief-F algorithm was used to select the features, and 30 feature variables were retained in the end. Thirdly, logistic regression, support vector machine and random forest were selected for modeling and analysis, and the 10-fold cross-validation method was used to train the classifier. Finally, model evaluation indexes such as accuracy rate were introduced to evaluate the classification prediction effect of each algorithm on the data set. The experimental results show that the classification effect of random forest has the best performance on the research data set, its accuracy rate is 81.97%, the accuracy rate is 86.90%, the recall rate is 82.14%, and the F1 value is 0.8441. This study can objectively reflect the postoperative death risk of patients, and provides an effective solution for predicting the postoperative death risk of patients with cardiovascular intervention.

    Key words: cardiovascular intervention; postoperative death risk prediction; Relief-F algorithm; feature extraction; machine learning; random forest

    0 引 言

    心血管介入治療是指在醫(yī)學(xué)影像設(shè)備引導(dǎo)下,經(jīng)皮穿刺,將穿刺針、特制導(dǎo)管、導(dǎo)絲等精密器械引入體內(nèi)血管,對心血管疾病進行微創(chuàng)診斷和治療[1]。據(jù)國家心血管病中心發(fā)布的《中國心血管健康與疾病報告2022》[2]顯示,2022年國內(nèi)心血管病患者總?cè)藬?shù)已高達3.3億,隨著人口老齡化加速,心血管病患病率、死亡率仍在上升,疾病負擔(dān)下降的拐點尚未出現(xiàn)。據(jù)《中國介入醫(yī)學(xué)白皮書》2019版[3]顯示,心血管介入患者死亡率在眾多介入治療類型的患者中居于首位,較神經(jīng)介入治療、肝膽胰腺介入治療、腫瘤介入治療等其他類型平均高出12.7%。因此,在眾多心血管介入患者術(shù)后評價指標中,能夠反映介入治療質(zhì)量、術(shù)后生存狀況以及醫(yī)療干預(yù)效果的術(shù)后死亡風(fēng)險,一直都是醫(yī)生和患者關(guān)注的重要指標。然而,當(dāng)前絕大數(shù)醫(yī)院并未構(gòu)建心血管介入專病數(shù)據(jù)庫,患者全周期病理數(shù)據(jù)普遍存在缺失、不連續(xù)、非結(jié)構(gòu)化等問題,導(dǎo)致醫(yī)生對患者術(shù)后死亡風(fēng)險的預(yù)測大多是基于醫(yī)護人員的個人臨床經(jīng)驗或相關(guān)統(tǒng)計學(xué)方法,預(yù)測準確率較低。隨著醫(yī)療信息化建設(shè)的快速發(fā)展,上述方法已不適應(yīng)當(dāng)前的發(fā)展需求。因此,構(gòu)建心血管介入專病數(shù)據(jù)庫[4],通過信息技術(shù)幫助醫(yī)生進行全周期記錄,建立患者術(shù)后死亡風(fēng)險預(yù)測模型,不僅有助于輔助醫(yī)生發(fā)現(xiàn)患者數(shù)據(jù)的內(nèi)在關(guān)聯(lián),對患者術(shù)后健康狀況進行跟蹤治療,還能提醒醫(yī)生對高死亡風(fēng)險病人及時做出醫(yī)療干預(yù),進而降低患者死亡率,具有重要的醫(yī)療研究意義和實際應(yīng)用價值。

    國內(nèi)關(guān)于疾病專病數(shù)據(jù)庫的建設(shè)起步較晚,直到20世紀80年代后期,中國逐步建立了醫(yī)學(xué)注冊系統(tǒng)[5-9],開始全面收集和管理疾病數(shù)據(jù)。在《“健康中國2030”規(guī)劃綱要》政策的指導(dǎo)下,國內(nèi)的一些醫(yī)院也開始著手建設(shè)針對特定病種的專病數(shù)據(jù)庫。例如,2021年,上海交通大學(xué)附屬胸科醫(yī)院袁駿毅等[10]以上海胸科醫(yī)院冠心病專病數(shù)據(jù)為研究對象,基于臨床數(shù)據(jù)中心的多源異構(gòu)系統(tǒng)構(gòu)建了冠心病專病數(shù)據(jù)庫,為該院的冠心病臨床科研提供了有力的數(shù)據(jù)支撐。2022年,廣東省第二人民醫(yī)院的龍思哲等[11]借助雙向語言模型從院內(nèi)其他數(shù)據(jù)平臺篩選出腦血管患者病理數(shù)據(jù),構(gòu)建了腦血管專病數(shù)據(jù)庫,為建立腦血管科研學(xué)習(xí)平臺提供數(shù)據(jù)支撐。同年,中國人民解放軍總醫(yī)院的趙前前等[12]以醫(yī)院信息管理系統(tǒng)(Hospital information system,HIS)、實驗室信息管理系統(tǒng)(Hospital information system,LIS)、電子病歷(Electronic medical record,EMR)等臨床業(yè)務(wù)信息系統(tǒng)中的數(shù)據(jù)和整合后的臨床數(shù)據(jù)庫為數(shù)據(jù)源,經(jīng)抽取、轉(zhuǎn)換、加載后形成疾病科研數(shù)據(jù)庫,大大減輕了科研工作前期數(shù)據(jù)處理工作量,提高了科研效率??v觀國內(nèi)專病數(shù)據(jù)庫的構(gòu)建與應(yīng)用,由于腫瘤疾病、肝臟疾病等傳統(tǒng)疾病類型有長期的數(shù)據(jù)支撐和科研基礎(chǔ),相關(guān)專病數(shù)據(jù)庫的建設(shè)已經(jīng)較為完善。但對于需要介入治療的相關(guān)疾病,一方面由于介入治療在我國起步較晚,醫(yī)院在此方面的信息化建設(shè)尚未完善,導(dǎo)致很多患者病理數(shù)據(jù)難以統(tǒng)一;另一方面,介入治療近年來受政策影響和需求驅(qū)動剛開始發(fā)展,醫(yī)院對日益增長的數(shù)據(jù)尚未及時收集與整理,致使很多數(shù)據(jù)遺漏或殘缺。因此,搭建一套心血管介入專病數(shù)據(jù)庫,并結(jié)合信息技術(shù)對患者病情進行預(yù)測和危險因素分析,不僅可以幫助醫(yī)生研究該類型疾病,還能輔助醫(yī)生對高風(fēng)險患者進行及時的醫(yī)療干預(yù),降低死亡風(fēng)險。

    近年來,隨著信息技術(shù)的快速發(fā)展,利用人工智能相關(guān)理論方法對患者病情進行預(yù)測和危險因素分析已成為當(dāng)下醫(yī)療領(lǐng)域的研究熱點。例如,Behera等[13]采用支持向量機和改進的粒子群優(yōu)化模型創(chuàng)建了一個混合模型,對患有心臟病和肝臟疾病的患者進行死亡風(fēng)險因素分析。Theerthagiri等[14]基于遞歸特征消除的梯度提升方法,通過評估患者的健康記錄來避免心血管疾病的病發(fā)或降低心血管疾病的嚴重程度。Singh等[15]基于支持向量機模型探討了藥物靶點預(yù)測降低背后的常見因素,進而預(yù)測腫瘤的發(fā)生率。Islam等[16]在監(jiān)督學(xué)習(xí)環(huán)境中,選擇了12種不同的機器學(xué)習(xí)分類器來對慢性腎臟病進行研究分析,得出在XGBoost分類器的準確率最高可達0.983。Annamalai等[17]借助基于最優(yōu)拍賣機制的卷積神經(jīng)網(wǎng)絡(luò)對肺部疾病進行預(yù)測,發(fā)現(xiàn)所提出的方法可以從X射線圖像中提取特征,并對肺部疾病進行準確預(yù)測。Sudha等[18]使用混合CNN-LSTM模型對心臟病進行預(yù)測分析,并使用K折交叉驗證技術(shù)進行驗證,最終混合模型的準確度達到89%。Liang等[19]提出了一種基于具有注意力機制的時序雙向神經(jīng)網(wǎng)絡(luò)模型tBNA-PR,選擇患者的電子健康檔案數(shù)據(jù)進行心力衰竭疾病預(yù)測和分層。Hao等[20]利用多策略優(yōu)化核極限學(xué)習(xí)機對心臟病和肝病的死亡率進行研究,在臨床應(yīng)用中取得良好的預(yù)測效果。路曉云等[21]基于機器學(xué)習(xí)預(yù)測算法對慢阻肺患者院后再入院風(fēng)險進行預(yù)測,選擇了5種預(yù)測模型進行對比分析,并基于K均值聚類算法對患者再入院風(fēng)險等級進行評估和分類。趙明誠等[22]以社區(qū)獲得性肺炎患者為研究對象,基于長短期記憶網(wǎng)絡(luò)對患者30 d的死亡率進行了預(yù)測,預(yù)測精確度達到77.51%,能夠幫助醫(yī)生對社區(qū)獲得性肺炎患者進行跟蹤觀察。

    以上研究表明,建立專病數(shù)據(jù)庫和預(yù)測模型,對患者病情進行預(yù)測是可行的。但是,目前關(guān)于心血管介入患者的相關(guān)預(yù)測研究仍是基于醫(yī)生個人臨床經(jīng)驗或者相關(guān)統(tǒng)計學(xué)方法,且研究所用的數(shù)據(jù)集仍停留在患者在院期間的記錄數(shù)據(jù),未覆蓋到患者治療全周期,具有一定的局限性。因此,本研究構(gòu)建了心血管介入專病數(shù)據(jù)庫,并針對難以區(qū)分重要特征和噪聲特征等問題,采用改進的Relief-F算法選擇預(yù)測特征變量;選擇邏輯回歸(Logistic regression,LR)、支持向量機(Support vector machine,SVM)、隨機森林(Random forest,RF)等3種機器學(xué)習(xí)方法進行建模研究,并采用10折交叉驗證方法對分類器進行訓(xùn)練;最終引入準確率等模型評價指標來評估各算法在本研究數(shù)據(jù)集上的分類預(yù)測效果,為心血管介入患者術(shù)后死亡風(fēng)險預(yù)測提供一種有效的解決方案。

    1 數(shù)據(jù)采集與處理

    1.1 數(shù)據(jù)集

    本研究的實驗數(shù)據(jù)采集于浙江省某三甲醫(yī)院,共獲得728例心血管介入患者全周期病理數(shù)據(jù),建立了心血管介入專病數(shù)據(jù)庫。采集數(shù)據(jù)源包括醫(yī)院的各業(yè)務(wù)系統(tǒng)(HIS、LIS、EMR等)、各醫(yī)療表單(門診病歷、門診醫(yī)囑、檢驗報告等)及醫(yī)院的數(shù)據(jù)平臺(人口學(xué)資料、就診資料及隨訪資料)。具體信息包括患者基線信息(個人信息、病史信息、主訴和癥狀信息、生活方式信息等)、術(shù)前檢查信息(臨床評估、實驗室檢查、血管造影或介入性檢查等)、術(shù)中手術(shù)信息(手術(shù)類型與時間、手術(shù)操作過程、手術(shù)過程中的觀察和事件、手術(shù)結(jié)束情況和結(jié)論等)及術(shù)后隨訪信息(術(shù)后病情觀察、生命體征監(jiān)測、藥物治療等)。為了保證數(shù)據(jù)的一致性和互操作性,本研究在醫(yī)生的建議下采用了中華醫(yī)學(xué)會心血管病學(xué)分會牽頭制定的《中國心血管病一級預(yù)防指南》[23]、HL7衛(wèi)生信息交換標準(Health level seven)和臨床數(shù)據(jù)交換標準協(xié)會(Clinical data interchange standards consortium,CDISC)制定的全球臨床研究的數(shù)據(jù)標準對各類數(shù)據(jù)源進行數(shù)據(jù)標準化處理。此外,鑒于各心血管介入患者之間存在較大差異,在醫(yī)生的建議下還對心血管介入專病數(shù)據(jù)庫中收錄的患者數(shù)據(jù)制定了篩選標準,具體包括:a)患者年齡不低于18歲;b)患者在院建檔入庫,并完成了心血管介入手術(shù)治療;c)患者術(shù)前、術(shù)中及院后隨訪信息連續(xù)無中斷,不存在信息錯誤錄入;d)各項病理數(shù)據(jù)結(jié)構(gòu)化完整,且在院后隨訪生理體征數(shù)據(jù)記錄完善;e)收集的患者個人信息符合隱私條例保護。

    本研究與大多數(shù)研究類似,研究起點始于患者入院建立個人信息檔案。然而,由于不同研究者根據(jù)其數(shù)據(jù)集實際情況或研究側(cè)重點不同,所選擇的研究終點也不盡相同,但均集中在術(shù)后到院后一年以內(nèi)。雖然,在本研究數(shù)據(jù)集中存在個別患者入院后三年的隨訪信息,但是,由于時間跨度較長,部分記錄信息出現(xiàn)缺漏或提前終止的現(xiàn)象,并不利于統(tǒng)計分析。而且,由于院后隨訪具有周期性,醫(yī)院難以第一時間掌握到患者的死亡情況。因此,根據(jù)醫(yī)生的建議,結(jié)合患者隨訪的實際情況,本研究選定術(shù)后六個月隨訪期間內(nèi)發(fā)生死亡或未死亡為研究終點。基于以上標準和醫(yī)生建議,本研究從心血管介入專病數(shù)據(jù)庫中嚴格篩選了638例符合標準的患者全周期病例數(shù)據(jù),共計42746條數(shù)據(jù)小項,其中:術(shù)后六個月死亡41例,未死亡597例。

    1.2 數(shù)據(jù)清洗與處理

    1.2.1 缺失值和異常值處理

    缺失值與異常值的處理是數(shù)據(jù)預(yù)處理過程中的關(guān)鍵步驟,具體處理方法需要根據(jù)實際情況進行確定。常見的缺失值處理方法包括:刪除缺失值較多的特征、采用眾數(shù)填充文本類數(shù)據(jù)、采用均值或中位數(shù)填充連續(xù)型數(shù)據(jù)以及利用線性或指數(shù)插值法填充缺失值[24]。合理處理缺失值可以保持數(shù)據(jù)的連續(xù)性,并減少噪音特征對模型的干擾,從而提高計算效率。針對異常值,可以選擇直接刪除或?qū)⑵湟暈槿笔е堤幚?,或者采用平均值修正等方法。雖然選擇直接刪除會減少數(shù)據(jù)量,但是可以有效避免異常值對模型的干擾。

    對于少量缺失率較高的數(shù)據(jù)本研究選擇直接刪除,如基線信息中缺失率達87.4%的左室后壁厚度。對于一些記錄信息的缺失本研究采用眾數(shù)來填充缺失值,如患者住院方式變量中,“門診”方式占總樣本的比例達到96.23%,所以對于此類缺失值可直接將其填充為“門診”。對于連續(xù)型變量,如主動脈舒張壓、白細胞、血紅蛋白等,其數(shù)據(jù)連續(xù)且完整性完好,缺失率極低,則直接使用該變量的平均值來填充。對于一些變量的極值或者離群值,當(dāng)數(shù)據(jù)量較少時本研究選擇直接刪除,較多時則選擇離異常值最近的正常范圍來填充數(shù)據(jù)。為了能夠快速、直觀地了解數(shù)據(jù)集的完整性,本研究采用缺失值可視化工具庫Missingno得到了特征缺失值矩陣圖,結(jié)果如圖1所示;圖中左側(cè)1~638為病人數(shù),右側(cè)為數(shù)據(jù)熱力值,白色部分代表數(shù)據(jù)缺失值所在位置,且白色部分越多代表缺失情況越嚴重。

    1.2.2 特征向量化

    由于大多數(shù)機器學(xué)習(xí)算法只能處理數(shù)值型數(shù)據(jù),不能處理文字。所以,在訓(xùn)練和預(yù)測機器學(xué)習(xí)模型時,需要把這些特征進行編碼,將字符型數(shù)據(jù)轉(zhuǎn)換成數(shù)值型,這個過程可以讓計算機更好地處理數(shù)據(jù)。合適的編碼和量化方法,不僅可以提高模型的準確性和效率,還可以避免數(shù)據(jù)丟失或歪曲的情況。

    本研究采用獨熱編碼(One-Hot編碼)將離散型數(shù)據(jù)轉(zhuǎn)換為數(shù)值型數(shù)據(jù)。例如,對于二類問題均采用01編碼方式:男性患者編碼為1,女性患者編碼為0;患有糖尿病編碼為1,未患有編碼為0;術(shù)中出血編碼為1,未出血編碼為0;吸煙編碼為1,不吸煙編碼為0等。此外,病例中的等級評分按英文等級劃分。例如,患者的日常生活活動能力測定評分,可分A~G 6個等級來衡量。主要分類變量數(shù)值映射表如表1所示。

    1.2.3 合并癥特征處理

    通過分析心血管介入患者基線信息可以發(fā)現(xiàn),大部分患者患有多種慢性疾病或基礎(chǔ)疾病,如糖尿病、高血壓等。如果對這些病癥不做合并處理,直接作為待預(yù)測的特征使用,可能會造成數(shù)據(jù)維度過高和部分特征稀疏等問題,影響研究的科學(xué)性和準確性。查爾森合并癥指數(shù) (Charlson comorbidity index,CCI)是由查爾森等在1987年提出的是一種評估患者合并癥負擔(dān)的指數(shù)。近年來,CCI在臨床實踐中被廣泛應(yīng)用于預(yù)測患者的死亡風(fēng)險、評估治療效果、制定護理計劃和手術(shù)決策等方面[25]。本研究按照CCI評價標準[25]對每名心血管介入患者是否患有對應(yīng)合并癥進行評分,并逐項相加,具體查爾森合并癥指數(shù)評分表見表2。

    2 實驗與分析

    2.1 基于Relief-F算法的特征選擇

    經(jīng)過預(yù)處理后,數(shù)據(jù)集中仍包含冗余或無關(guān)變量,如果將這些特征變量直接輸入分類器進行訓(xùn)練學(xué)習(xí),則會對模型的訓(xùn)練結(jié)果造成較大影響。例如,術(shù)中信息中的“是否預(yù)擴張”和“預(yù)擴張次數(shù)”只需保留后者即可。對預(yù)處理后的數(shù)據(jù)進行降維處理,篩選出主要特征,去除冗余特征,減少數(shù)據(jù)噪聲,降低模型學(xué)習(xí)難度,可以有效提高算法的準確度。常用的特征選擇方法有過濾法、包裹法和嵌入法[26]。其中:過濾法是根據(jù)特征與目標變量之間的統(tǒng)計關(guān)系進行選擇,篩選出與預(yù)測變量相關(guān)度較高的特征;其優(yōu)點在于運算速度快,不需要進行模型訓(xùn)練,但無法考慮特征之間的關(guān)系。包裹法是通過窮舉搜索或啟發(fā)式搜索來選擇最佳特征子集;其優(yōu)點是考慮了特征之間的關(guān)系,但運算速度慢,可能出現(xiàn)過擬合等現(xiàn)象。嵌入法則是將特征選擇作為學(xué)習(xí)模型訓(xùn)練的一部分,通過優(yōu)化算法來選擇最佳特征子集;其優(yōu)點在于減少了特征選擇和模型訓(xùn)練的時間,但可能會丟失有用特征。

    與傳統(tǒng)方法相比,相關(guān)特征(Relevant features,Relief)算法[27]是通過評估特征之間的關(guān)聯(lián)程度來確定特征的重要性,不僅簡單易實現(xiàn)、不依賴數(shù)據(jù)分布假設(shè)、適用于離散和連續(xù)特征,還對噪聲和冗余特征具有一定的魯棒性。但是,Relief算法最初局限于解決二分類問題,無法有效去除高維數(shù)據(jù)的冗余特征。所以,本研究采用改進的Relief-F算法[28]來進行預(yù)測特征變量的選擇。相對于傳統(tǒng)的Relief算法,Relief-F算法在計算特征權(quán)重和評估分數(shù)時引入了權(quán)重方差,能夠更準確地估計特征的重要性,并對特征權(quán)重的穩(wěn)定性進行評估,從而更好地區(qū)分重要特征和噪聲特征。

    Relief-F算法每次從訓(xùn)練樣本集中隨機取出一個樣本R,然后從與R同類的樣本集中找出R的k個近鄰樣本(Near Hits),從每個R的不同類的樣本集中均找出k個近鄰樣本(Near Misses),最后更新每個特征的權(quán)重;重復(fù)抽取m次,其中單次權(quán)重迭代可用式(1)表示:

    W(A)=W(A)-∑kj=1diff(A,R,Hj)/(mk)+∑Cclass(R)p(C)1-p(class(R))∑kj=1diff(A,R,Mj(C))/(mk)(1)

    其中:A為特征變量的個數(shù);Hj為樣本R的k個最近鄰?fù)慄c;diff(A,R,Hj)為在特征A上樣本R和Hj的差;Mj(C)為異類樣本點;class(R)為樣本R的類別;p為概率。diff(A,R1,R2)用式(2)算:

    diff(A,R1,R2)=|R1[A]-R2[A]|max(A)-min(A),A為連續(xù)值;

    0,A為離散值且R1[A]=R2[A];

    1,A為離散值且R1[A]≠R2[A](2)

    本研究在Python3.9環(huán)境下進行,通過Relief-F算法進行特征選擇。以患者基線信息為例,特征權(quán)重曲線如圖2所示,本研究選擇了特征權(quán)重前10的特征變量作為患者基線信息。

    經(jīng)過數(shù)據(jù)預(yù)處理和Relief-F算法篩選,并結(jié)合醫(yī)生建議,本研究最終保留了30個特征變量,其中:患者基線信息保留了10個特征變量,術(shù)前檢查信息保留了7個特征變量,術(shù)中手術(shù)信息保留了5個特征變量,術(shù)后隨訪信息保留了8個特征變量?;颊咛卣髯兞空f明見表3。

    2.2 模型構(gòu)建與訓(xùn)練

    本研究模型訓(xùn)練流程如圖3所示。首先,將數(shù)據(jù)集按照訓(xùn)練集(70%)和測試集(30%)進行劃分,其中訓(xùn)練集共13398條數(shù)據(jù),測試集5742條數(shù)據(jù)。然后,先對訓(xùn)練集進行不同模型訓(xùn)練,為了評估不同模型在訓(xùn)練集上的表現(xiàn),在訓(xùn)練過程中使用10折交叉驗證方法和網(wǎng)格搜索方法來進行參數(shù)選擇和參數(shù)優(yōu)化,得到該模型下的最佳參數(shù)和訓(xùn)練效果。最后,利用測試集進行驗證,得到不同模型的預(yù)測效果。基于處理后的數(shù)據(jù)集,本研究選擇了3種在疾病預(yù)測研究中表現(xiàn)較佳的機器學(xué)習(xí)方法進行建模研究。

    2.2.1 邏輯回歸

    LR是一種用于分析因變量與一個或多個自變量之間的關(guān)系的統(tǒng)計方法。在疾病自動診斷領(lǐng)域,邏輯回歸常被用于探討引發(fā)某種疾病的危險因素,并基于這些因素預(yù)測疾病的發(fā)生概率。在本研究中,每個心血管介入患者yi術(shù)后六個月內(nèi)發(fā)生死亡(記為1)的概率可用式(3)表示:

    P(yi=1)=exp(β0+β1x1+…+βkxk+ε)1+exp(β0+β1x1+…+βkxk+ε)(3)

    其中:β0~βk表示模型的估計參數(shù),x1~xk表示模型的變量,ε為隨機誤差。

    同時有:

    lnP(yi=1)1-P(yi=1)=β0+β1·xAge+β2·xSex+β3·xBMI+…+ε(4)

    其中:xAge、xSex及xBMI均為本研究中的特征變量。

    本研究選擇Sklearn庫中的Logistic regression包來構(gòu)建邏輯回歸的分類器。在模型訓(xùn)練過程中,需要根據(jù)訓(xùn)練效果對模型的配置參數(shù)進行選擇,采用網(wǎng)格搜索算法對LR的主要參數(shù)調(diào)優(yōu),LR參數(shù)選擇情況見表4。

    2.2.2 支持向量機

    SVM是一種通過最大間隔化思想來實現(xiàn)分類或回歸問題的方法。對于二分類問題,SVM的目標是找到一個超平面,使得兩個類別的數(shù)據(jù)點都能夠被正確地分開。如果數(shù)據(jù)集中有多個超平面可以完全分開兩個類別,那么SVM會選擇具有最大間隔的超平面作為最終分類器。本研究使用的是單核RBF的SVM模型。同時,為了避免過擬合現(xiàn)象,需要對SVM的參數(shù)進行優(yōu)化選擇,其中懲罰系數(shù)C和控制高斯核寬度參數(shù)gamma的選擇可以通過網(wǎng)格搜索來實現(xiàn)。本研究選擇Sklearn庫中的SVC包來構(gòu)建SVM的分類器。采用網(wǎng)格搜索算法對SVM的主要參數(shù)選取。SVM參數(shù)選擇情況見表5。

    2.2.3 隨機森林

    RF作為一種經(jīng)典的集成學(xué)習(xí)方法,具有訓(xùn)練速度快、實現(xiàn)簡單和泛化性能強等優(yōu)點。RF參數(shù)一般分為兩類,一類是模型框架參數(shù),如元分類器的個數(shù)等;另一類是決策樹的參數(shù),如樹的深度等。本研究調(diào)用Sklearn庫中的Random Forest Classifier包來構(gòu)建隨機森林的分類器。使用網(wǎng)格搜索算法對隨機森林模型參數(shù)進行優(yōu)化選擇。隨機森林n_estimators參數(shù)與模型準確率之間的關(guān)系如圖4所示。當(dāng)參數(shù)n_estimators在[20, 25]之間時,模型的準確率在[0.80, 0.82]范圍內(nèi),當(dāng)n_estimators超過30時,準確率趨于穩(wěn)定。因此,選擇n_estimators為21,此時模型的準確率最高。RF參數(shù)選擇情況見表6。

    2.3 結(jié)果分析與討論

    算法模型的評估是驗證模型構(gòu)建效果的重要指標,用于確定模型的性能和可靠性。心血管介入患者術(shù)后死亡風(fēng)險的預(yù)測研究實質(zhì)上可映射成一種二分類問題進行研究,即將患者院后六個月隨訪期內(nèi)發(fā)生死亡與否作為預(yù)測目標。對于二分類問題,可將預(yù)測樣本劃分為真正例(True positives)、假正例(False positives)、真反例(True negatives)、假反例(False negatives),分類結(jié)果可用混淆矩陣表示,混淆矩陣見表7,其中:TP表示真正例數(shù);FP表示假正例數(shù);TN表示真反例數(shù);FN表示假反例數(shù)。

    本研究從準確率(Accuracy)、精確率(Precision)、召回率(Recall rate)、F1(F1 score)、AUC (Area under curve)等5個評價指標對建立的預(yù)測模型進行評估分析,具體公式如式(5)—(8)所示:

    aCC=TP+TNTP+FP+TN+FN(5)

    P=TPTP+FP(6)

    RR=TPTP+FN(7)

    F1=2·P·RRP+RR(8)

    其中:aCC表示準確率;P表示精確率;RR表示召回率;aUC表示AUC值。

    受試者工作特征曲線(Receiver operating characteristic curve,ROC)曲線[29]表示在不同的分類閾值下,真陽性率與假陽性率之間的關(guān)系,其中真陽率為ROC曲線的y軸,假陽率為x軸。

    aUC可以理解為ROC曲線下的面積,取值范圍在0到1之間,用式(9)計算:

    aUC=12∑m-1i=1(xi+1-xi)(yi+yi+1)(9)

    具體來說,aUC=1表示模型完美地對正負樣本進行了區(qū)分,aUC=0.5表示模型的預(yù)測性能與隨機猜測相當(dāng),而aUClt;0.5則表示模型的預(yù)測性能不佳。RF、SVM和LR三種機器學(xué)習(xí)算法模型的各項評價指標對比見表8。

    從表8中可得出,針對本研究的數(shù)據(jù)集而言,RF在3種傳統(tǒng)機器學(xué)習(xí)預(yù)測算法中表現(xiàn)最佳,其準確率達到81.97%,精確率為86.90%,召回率為82.14%,F(xiàn)1值為0.8441,而LR的準確度最低,未能達到75%。其主要原因在于,LR是3種機器算法中唯一使用線性模型的,而SVM和RF均使用非線性模型,后者可以利用更復(fù)雜的數(shù)據(jù),從而提高過采樣數(shù)據(jù)的準確性。另外,由于RF采用了決策樹的集成方式,每棵決策樹都可以學(xué)習(xí)不同的特征和決策規(guī)則,并根據(jù)所有決策樹的預(yù)測結(jié)果進行投票。所以,RF能夠更有效地捕捉特征之間的非線性關(guān)系,相比于SVM在本研究數(shù)據(jù)集上的表現(xiàn)效果更佳。

    ROC曲線下的面積aUC從大到小依次是RF(0.8292)、SVM(0.7743)和LR(0.7576),3種機器學(xué)習(xí)算法的ROC曲線如圖5所示。

    3 結(jié) 論

    本研究建立了心血管介入患者專病數(shù)據(jù)庫,并利用改進的Relief-F算法對心血管介入患者術(shù)后死亡風(fēng)險進行了預(yù)測研究。本研究在計算特征權(quán)重和評估分數(shù)時引入了權(quán)重方差,能夠更準確地對特征重要性進行評估,通過數(shù)據(jù)預(yù)處理、Relief-F算法篩選和醫(yī)生標注,最終保留了30個特征變量,并對所有特征變量進行了分析解釋,最后使用LR、SVM和RF三種機器學(xué)習(xí)算法訓(xùn)練得到預(yù)測結(jié)果。本研究采用的方法能夠高效、準確地預(yù)測出具有高死亡風(fēng)險的介入患者,輔助醫(yī)生及時做出醫(yī)療干預(yù),從而提高介入治療質(zhì)量并降低死亡率,具有較高的應(yīng)用價值。

    參考文獻:

    [1]于波. 中國血管內(nèi)影像學(xué)研究的進展與展望[J]. 中華心血管病雜志, 2019, 47(9): 722-725.

    [2]中國心血管健康與疾病報告編寫組. 中國心血管健康與疾病報告2022概要[J]. 中國循環(huán)雜志, 2023, 38(6): 583-612.

    [3]中國醫(yī)院協(xié)會介入醫(yī)學(xué)中心分會. 《中國介入醫(yī)學(xué)白皮書》2019版[J]. 中華介入放射學(xué)電子雜志, 2020, 8(1): 6-10.

    [4]李雪迎. 重視臨床研究數(shù)據(jù)收集過程[J]. 中國介入心臟病學(xué)雜志, 2012, 20(5): 244.

    [5]吳燕秋, 黃偉, 劉慧鑫, 等. 醫(yī)院創(chuàng)傷專病數(shù)據(jù)庫建設(shè)與實踐[J]. 醫(yī)院管理論壇, 2021, 38(5): 79-82.

    [6]劉迷迷, 杜國霞, 周毅, 等.專病數(shù)據(jù)庫建設(shè)與應(yīng)用研究[J]. 醫(yī)學(xué)信息學(xué)雜志, 2021, 42(11): 81-86.

    [7]齊霜, 毛智, 胡新,等. 基于??菩畔⑾到y(tǒng)建立的重癥醫(yī)學(xué)數(shù)據(jù)庫: 大型三甲醫(yī)院重癥醫(yī)學(xué)數(shù)據(jù)庫的模式[J]. 中華危重病急救醫(yī)學(xué), 2020, 32(6): 743-749.

    [8]Ruamtawee W, Tipayamongkholgul M, Aimyong N, et al. Prevalence and risk factors of cardiovascular disease among people living with HIV in the Asia-Pacific region: A systematic review[J]. BMC Public Health, 2023, 23(1): 477.

    [9]金濤, 王愷. 我國疾病數(shù)據(jù)庫的建設(shè)情況概述[J]. 現(xiàn)代預(yù)防醫(yī)學(xué), 2018, 45(6): 1114-1117.

    [10]袁駿毅, 潘常青, 李榕, 等. 基于臨床數(shù)據(jù)中心的冠心病專病數(shù)據(jù)庫的構(gòu)建與實現(xiàn)[J]. 中國衛(wèi)生信息管理雜志, 2022, 19(5): 707-712.

    [11]龍思哲, 吳震天, 黎鵬安, 等. 基于數(shù)據(jù)治理的專病數(shù)據(jù)庫建設(shè)實踐[J]. 醫(yī)學(xué)信息學(xué)雜志, 2022, 43(7): 20-25.

    [12]趙前前. 基于大數(shù)據(jù)科研平臺的專病數(shù)據(jù)庫建設(shè)及應(yīng)用[J]. 中國數(shù)字醫(yī)學(xué), 2020, 15(12): 89-92.

    [13]Behera M P, Sarangi A, Mishra D, et al. A hybrid machine learning algorithm for heart and liver disease prediction using modified particle swarm optimization with support vector machine[J]. Procedia Computer Science, 2023, 218(C): 818-827.

    [14]Theerthagiri P, Ruby A U, Vidya J. Diagnosis and classification of the diabetes using machine learning algorithms[J]. SN Computer Science, 2022, 4(1): 72.

    [15]Singh D P, Kaushik B. Machine learning concepts and its applications for prediction of diseases based on drug behaviour: An extensive review[J]. Chemometrics and Intelligent Laboratory Systems, 2022, 229: 104637.

    [16]Islam M A, Majumder M Z H, Hussein M A. Chronic kidney disease prediction based on machine learning algorithms[J]. Journal of Pathology Informatics, 2023, 14: 100189.

    [17]Annamalai B, Saravanan P, Varadharajan I. ABOA-CNN: auction-based optimization algorithm with convolutional neural network for pulmonary disease prediction[J]. Neural Computing and Applications, 2023, 35(10): 7463-7474.

    [18]Sudha V K, Kumar D. Hybrid CNN and LSTM network for heart disease prediction[J]. SN Computer Science, 2023, 4(2): 172.

    [19]Liang Y, Guo C H. Heart failure disease prediction and stratification with temporal electronic health records data using patient representation[J]. Biocybernetics and Biomedical Engineering, 2023, 43(1): 124-141.

    [20]Hao Z Y, Ma J, Sun W J. The technology-oriented pathway for auxiliary diagnosis in the digital health age: A self-adaptive disease prediction model[J]. International Journal of Environmental Research and Public Health, 2022, 19(19): 12509.

    [21]路曉云. 基于機器學(xué)習(xí)的慢阻肺患者再入院預(yù)測和風(fēng)險分類[D]. 廣州: 廣東工業(yè)大學(xué), 2022: 41-54.

    [22]趙明誠. 基于長短期記憶網(wǎng)絡(luò)的社區(qū)獲得性肺炎死亡率預(yù)測模型研究[D]. 合肥: 安徽大學(xué), 2021: 42-64.

    [23]劉靜, 孫藝紅, 彭道泉, 等. 中國心血管病一級預(yù)防指南[J]. 中華心血管病雜志, 2020, 48(12): 1000-1038.

    [24]劉曉玉, 李燈熬, 趙菊敏. 基于多核SVM的AdaBoost心力衰竭死亡率評估模型[J]. 太原理工大學(xué)學(xué)報, 2023, 54(5): 804-811.

    [25]繆慧, 吳震, 崔文佳. 查爾森合并癥指數(shù)與中重度老年阻塞性睡眠呼吸暫停綜合征患者全因死亡風(fēng)險的相關(guān)性及性別差異分析[J]. 中國耳鼻咽喉頭頸外科, 2023, 30(1): 45-50.

    [26]Ben Jabeur S, Stef N, Carmona P. Bankruptcy prediction using the XGBoost algorithm and variable importance feature engineering[J]. Computational Economics, 2023, 61(2): 715-741.

    [27]Kushwaha N L, Rajput J, Suna T, et al. Metaheuristic approaches for prediction of water quality indices with relief algorithm-based feature selection[J]. Ecological Informatics, 2023, 75: 102122.

    [28]Li L J, Xuan M L, Lin Q Z, et al. An evolutionary multitasking algorithm with multiple filtering for high-dimensional feature selection[J]. IEEE Transactions on Evolutionary Computation, 2023, 27(4): 802-816.

    [29]Tatliparmak A C, Yilmaz S, Ak R. Importance of receiver operating characteristic curve and decision curve analysis methods in clinical studies[J]. The American Journal of Emergency Medicine, 2023, 70: 196-197.

    (責(zé)任編輯:康 鋒)

    猜你喜歡
    隨機森林機器學(xué)習(xí)特征提取
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    Bagging RCSP腦電特征提取算法
    隨機森林在棉蚜蟲害等級預(yù)測中的應(yīng)用
    基于二次隨機森林的不平衡數(shù)據(jù)分類算法
    軟件(2016年7期)2017-02-07 15:54:01
    拱壩變形監(jiān)測預(yù)報的隨機森林模型及應(yīng)用
    基于機器學(xué)習(xí)的圖像特征提取技術(shù)在圖像版權(quán)保護中的應(yīng)用
    基于網(wǎng)絡(luò)搜索數(shù)據(jù)的平遙旅游客流量預(yù)測分析
    時代金融(2016年27期)2016-11-25 17:51:36
    前綴字母為特征在維吾爾語文本情感分類中的研究
    基于隨機森林算法的飛機發(fā)動機故障診斷方法的研究
    基于支持向量機的金融數(shù)據(jù)分析研究
    在现免费观看毛片| 久久人妻福利社区极品人妻图片 | 亚洲欧美成人综合另类久久久| 青青草视频在线视频观看| cao死你这个sao货| 超碰97精品在线观看| 中文字幕制服av| 视频区图区小说| 午夜影院在线不卡| 国产1区2区3区精品| 自线自在国产av| 久久99热这里只频精品6学生| xxxhd国产人妻xxx| 中文字幕另类日韩欧美亚洲嫩草| 亚洲午夜精品一区,二区,三区| 大陆偷拍与自拍| 亚洲精品一区蜜桃| 国产精品一二三区在线看| 久久av网站| 免费在线观看视频国产中文字幕亚洲 | 波多野结衣一区麻豆| 欧美另类一区| 午夜免费观看性视频| 少妇猛男粗大的猛烈进出视频| 日韩大码丰满熟妇| 欧美av亚洲av综合av国产av| 免费久久久久久久精品成人欧美视频| 美女高潮到喷水免费观看| 久久国产亚洲av麻豆专区| 观看av在线不卡| 久久久久精品人妻al黑| 久久精品aⅴ一区二区三区四区| 伦理电影免费视频| 天天添夜夜摸| 国产精品久久久久成人av| 国产一区二区三区综合在线观看| 又粗又硬又长又爽又黄的视频| 天天添夜夜摸| 久久久久精品国产欧美久久久 | 久久天堂一区二区三区四区| 在线观看免费高清a一片| 夫妻性生交免费视频一级片| 成人国产一区最新在线观看 | 亚洲精品久久午夜乱码| av网站免费在线观看视频| 国产精品久久久久久精品古装| 一区在线观看完整版| 我要看黄色一级片免费的| 欧美另类一区| 国产欧美日韩一区二区三 | 人人妻人人澡人人爽人人夜夜| 国产免费一区二区三区四区乱码| 欧美成狂野欧美在线观看| 国产熟女欧美一区二区| 日韩视频在线欧美| 女性被躁到高潮视频| 免费久久久久久久精品成人欧美视频| 19禁男女啪啪无遮挡网站| 欧美 亚洲 国产 日韩一| 黑人欧美特级aaaaaa片| 天天添夜夜摸| 精品国产一区二区三区四区第35| 国产成人免费观看mmmm| 成人亚洲欧美一区二区av| 丰满人妻熟妇乱又伦精品不卡| 亚洲人成77777在线视频| 80岁老熟妇乱子伦牲交| 久久人人爽av亚洲精品天堂| 一级毛片 在线播放| 九草在线视频观看| 精品国产超薄肉色丝袜足j| 婷婷色综合www| 一级毛片 在线播放| videosex国产| 久久久久国产精品人妻一区二区| 99香蕉大伊视频| 男女免费视频国产| 日本91视频免费播放| 又黄又粗又硬又大视频| 精品一区二区三区av网在线观看 | 欧美+亚洲+日韩+国产| 亚洲精品国产av成人精品| 亚洲五月婷婷丁香| 在线观看www视频免费| 亚洲,一卡二卡三卡| 欧美日韩视频精品一区| 99国产综合亚洲精品| av有码第一页| 国产亚洲精品第一综合不卡| 国产在线一区二区三区精| 国产精品三级大全| av片东京热男人的天堂| 亚洲九九香蕉| 久久女婷五月综合色啪小说| 无遮挡黄片免费观看| 亚洲中文字幕日韩| 黄色怎么调成土黄色| 如日韩欧美国产精品一区二区三区| 久久久精品免费免费高清| 老司机影院成人| 欧美黄色淫秽网站| 两性夫妻黄色片| 母亲3免费完整高清在线观看| 亚洲国产精品国产精品| 欧美性长视频在线观看| 18禁黄网站禁片午夜丰满| 亚洲国产日韩一区二区| av电影中文网址| 国产成人91sexporn| 亚洲精品成人av观看孕妇| 七月丁香在线播放| 香蕉丝袜av| 一区二区日韩欧美中文字幕| 老汉色∧v一级毛片| 日本猛色少妇xxxxx猛交久久| 国产一区二区三区av在线| 中文字幕另类日韩欧美亚洲嫩草| 亚洲,欧美,日韩| 国产av一区二区精品久久| 五月天丁香电影| 日日爽夜夜爽网站| 久久久精品国产亚洲av高清涩受| 色网站视频免费| 亚洲精品成人av观看孕妇| 91老司机精品| 日本一区二区免费在线视频| 你懂的网址亚洲精品在线观看| 国产淫语在线视频| 欧美人与性动交α欧美软件| 性少妇av在线| 亚洲av成人精品一二三区| 美女视频免费永久观看网站| 免费在线观看视频国产中文字幕亚洲 | 久久久久国产精品人妻一区二区| 久久青草综合色| 久久九九热精品免费| 麻豆av在线久日| 亚洲久久久国产精品| 色94色欧美一区二区| 亚洲精品国产av蜜桃| 国产精品久久久久久精品电影小说| 亚洲av日韩在线播放| avwww免费| 高潮久久久久久久久久久不卡| 成年人黄色毛片网站| 国产免费福利视频在线观看| 女性生殖器流出的白浆| 亚洲国产成人一精品久久久| 午夜精品国产一区二区电影| av国产久精品久网站免费入址| 免费一级毛片在线播放高清视频 | 亚洲欧美成人综合另类久久久| 精品人妻在线不人妻| 国产日韩欧美亚洲二区| 日韩中文字幕欧美一区二区 | 丝袜在线中文字幕| 国产高清视频在线播放一区 | 汤姆久久久久久久影院中文字幕| 国产一卡二卡三卡精品| 亚洲成人国产一区在线观看 | av有码第一页| 午夜福利视频在线观看免费| 男人添女人高潮全过程视频| av国产久精品久网站免费入址| 日韩中文字幕视频在线看片| 成人三级做爰电影| 视频在线观看一区二区三区| 亚洲五月婷婷丁香| 亚洲天堂av无毛| 亚洲国产欧美一区二区综合| 视频在线观看一区二区三区| 国产精品九九99| 午夜免费观看性视频| 每晚都被弄得嗷嗷叫到高潮| 人妻人人澡人人爽人人| 9色porny在线观看| 精品久久蜜臀av无| 免费在线观看黄色视频的| 一边亲一边摸免费视频| 永久免费av网站大全| 男女下面插进去视频免费观看| 国产黄频视频在线观看| 国产激情久久老熟女| 亚洲欧洲国产日韩| av又黄又爽大尺度在线免费看| 亚洲av电影在线观看一区二区三区| 中文字幕色久视频| 亚洲天堂av无毛| 精品熟女少妇八av免费久了| 十分钟在线观看高清视频www| 亚洲,欧美精品.| a级片在线免费高清观看视频| 男人爽女人下面视频在线观看| 亚洲精品第二区| 在线亚洲精品国产二区图片欧美| 悠悠久久av| 国产成人系列免费观看| 国产免费现黄频在线看| 午夜av观看不卡| 久久天躁狠狠躁夜夜2o2o | 日本av手机在线免费观看| 日韩人妻精品一区2区三区| 欧美成狂野欧美在线观看| 在线av久久热| 国产熟女午夜一区二区三区| 欧美国产精品一级二级三级| av国产久精品久网站免费入址| 我的亚洲天堂| 人妻人人澡人人爽人人| 国产精品99久久99久久久不卡| a 毛片基地| 久久 成人 亚洲| 亚洲色图综合在线观看| 我要看黄色一级片免费的| 欧美日韩亚洲高清精品| 热re99久久国产66热| 亚洲中文字幕日韩| 国产成人系列免费观看| 成年av动漫网址| 男女无遮挡免费网站观看| 青春草视频在线免费观看| 亚洲av电影在线进入| 免费高清在线观看视频在线观看| 一本一本久久a久久精品综合妖精| 欧美日韩亚洲高清精品| 丰满饥渴人妻一区二区三| 91成人精品电影| 在线观看一区二区三区激情| videosex国产| 久久精品国产亚洲av高清一级| 欧美激情极品国产一区二区三区| 免费观看av网站的网址| 国产成人系列免费观看| 19禁男女啪啪无遮挡网站| 久久女婷五月综合色啪小说| 成人免费观看视频高清| 纵有疾风起免费观看全集完整版| 久久精品国产亚洲av涩爱| 日韩熟女老妇一区二区性免费视频| 十八禁高潮呻吟视频| 伊人久久大香线蕉亚洲五| 国产精品一二三区在线看| 久久精品熟女亚洲av麻豆精品| 午夜日韩欧美国产| 久久精品久久精品一区二区三区| 久久久精品94久久精品| 久久久久久久精品精品| 亚洲欧洲精品一区二区精品久久久| 热re99久久国产66热| 人人妻人人添人人爽欧美一区卜| 日日摸夜夜添夜夜爱| 日日夜夜操网爽| 亚洲国产av新网站| 中文精品一卡2卡3卡4更新| 一本色道久久久久久精品综合| 日韩人妻精品一区2区三区| 国产精品三级大全| 精品高清国产在线一区| 老司机在亚洲福利影院| 国产爽快片一区二区三区| 人妻一区二区av| 亚洲av日韩精品久久久久久密 | 亚洲精品美女久久av网站| 国产精品av久久久久免费| 叶爱在线成人免费视频播放| 国产精品国产三级专区第一集| 婷婷色麻豆天堂久久| 欧美精品一区二区大全| 性少妇av在线| 久久女婷五月综合色啪小说| 狠狠婷婷综合久久久久久88av| 国产免费现黄频在线看| 日本色播在线视频| 真人做人爱边吃奶动态| 亚洲三区欧美一区| 亚洲中文字幕日韩| 国产又色又爽无遮挡免| 女性生殖器流出的白浆| 日本欧美视频一区| 91麻豆精品激情在线观看国产 | 免费观看av网站的网址| 中文欧美无线码| 欧美日韩综合久久久久久| 丝袜人妻中文字幕| 亚洲色图 男人天堂 中文字幕| 亚洲精品日韩在线中文字幕| 国产精品人妻久久久影院| 国产亚洲欧美精品永久| 久久精品久久精品一区二区三区| 一级黄色大片毛片| 天天影视国产精品| 日韩熟女老妇一区二区性免费视频| 高清黄色对白视频在线免费看| 黄片小视频在线播放| 欧美xxⅹ黑人| 麻豆av在线久日| 亚洲美女黄色视频免费看| 爱豆传媒免费全集在线观看| √禁漫天堂资源中文www| 夜夜骑夜夜射夜夜干| 高清不卡的av网站| 亚洲国产欧美日韩在线播放| 大陆偷拍与自拍| 麻豆av在线久日| 亚洲国产中文字幕在线视频| netflix在线观看网站| 久久精品久久久久久久性| 熟女av电影| 后天国语完整版免费观看| 亚洲精品国产一区二区精华液| 精品卡一卡二卡四卡免费| 久久久久久人人人人人| 国产免费又黄又爽又色| 国产av一区二区精品久久| 大陆偷拍与自拍| 免费女性裸体啪啪无遮挡网站| 久久九九热精品免费| 美女福利国产在线| 亚洲中文字幕日韩| 另类精品久久| 久久毛片免费看一区二区三区| 亚洲国产精品一区二区三区在线| 久久性视频一级片| xxx大片免费视频| 精品少妇内射三级| 国产亚洲精品第一综合不卡| 午夜福利免费观看在线| 成人手机av| 精品高清国产在线一区| av在线老鸭窝| 纵有疾风起免费观看全集完整版| 亚洲天堂av无毛| 亚洲精品av麻豆狂野| 嫩草影视91久久| 国产午夜精品一二区理论片| 国产高清不卡午夜福利| 99热网站在线观看| 亚洲一区中文字幕在线| 久久久精品区二区三区| 国产欧美亚洲国产| 18在线观看网站| 女人精品久久久久毛片| 亚洲专区国产一区二区| av视频免费观看在线观看| 久久精品国产亚洲av高清一级| 婷婷丁香在线五月| 国产无遮挡羞羞视频在线观看| 1024香蕉在线观看| 美女大奶头黄色视频| 欧美另类一区| 国产亚洲av高清不卡| 大片电影免费在线观看免费| 日本av手机在线免费观看| 亚洲国产精品成人久久小说| 人人妻,人人澡人人爽秒播 | 国产精品.久久久| 男女边摸边吃奶| 久久ye,这里只有精品| 亚洲国产欧美日韩在线播放| 午夜免费男女啪啪视频观看| 午夜福利在线免费观看网站| 亚洲国产av影院在线观看| 日日爽夜夜爽网站| 91字幕亚洲| 国产男女超爽视频在线观看| 久久精品亚洲av国产电影网| 黑人猛操日本美女一级片| 久久国产精品影院| 国产一区有黄有色的免费视频| 啦啦啦 在线观看视频| 视频区图区小说| 国产片特级美女逼逼视频| 91麻豆精品激情在线观看国产 | 女性被躁到高潮视频| 一二三四社区在线视频社区8| 性少妇av在线| 中文字幕高清在线视频| 精品视频人人做人人爽| av福利片在线| 精品国产乱码久久久久久小说| 欧美国产精品一级二级三级| 免费在线观看影片大全网站 | 色94色欧美一区二区| 老司机午夜十八禁免费视频| 国产片内射在线| 国语对白做爰xxxⅹ性视频网站| 乱人伦中国视频| 性高湖久久久久久久久免费观看| 女人精品久久久久毛片| 亚洲国产精品成人久久小说| 性色av一级| 黄色一级大片看看| 亚洲综合色网址| 久久久久网色| 狂野欧美激情性bbbbbb| 亚洲成av片中文字幕在线观看| 女警被强在线播放| 超碰成人久久| 男女无遮挡免费网站观看| 国产精品国产三级专区第一集| 热re99久久国产66热| 亚洲欧美色中文字幕在线| 免费高清在线观看日韩| 亚洲成国产人片在线观看| 在线观看www视频免费| 啦啦啦 在线观看视频| 成人国语在线视频| 少妇 在线观看| www.999成人在线观看| 少妇人妻 视频| 亚洲专区国产一区二区| 精品久久久久久久毛片微露脸 | 亚洲精品中文字幕在线视频| 亚洲精品国产av蜜桃| 欧美黑人欧美精品刺激| 两人在一起打扑克的视频| 久久精品国产综合久久久| 天天影视国产精品| 日韩一本色道免费dvd| 一区二区三区乱码不卡18| 亚洲伊人色综图| 黄色视频不卡| 日韩制服骚丝袜av| 国语对白做爰xxxⅹ性视频网站| 欧美在线黄色| 99香蕉大伊视频| 色播在线永久视频| 亚洲av成人不卡在线观看播放网 | 人人妻人人澡人人爽人人夜夜| 美女主播在线视频| 久久国产亚洲av麻豆专区| 久久狼人影院| 国产欧美日韩综合在线一区二区| 丝袜美足系列| 波多野结衣av一区二区av| 日本午夜av视频| 欧美 亚洲 国产 日韩一| 久久久久精品人妻al黑| 亚洲欧美成人综合另类久久久| 国产成人啪精品午夜网站| 欧美精品av麻豆av| 国产欧美日韩一区二区三区在线| 国产在线免费精品| 十分钟在线观看高清视频www| 日本欧美国产在线视频| 人人妻人人澡人人爽人人夜夜| 亚洲av男天堂| 色婷婷久久久亚洲欧美| 亚洲第一青青草原| 性少妇av在线| 国产精品久久久久久精品古装| 国产三级黄色录像| 一级片'在线观看视频| 黄色视频在线播放观看不卡| 大香蕉久久网| 操美女的视频在线观看| 国产99久久九九免费精品| 精品亚洲成国产av| 久久免费观看电影| 国产成人精品久久二区二区免费| 丁香六月天网| 久久九九热精品免费| 在现免费观看毛片| 人人妻人人爽人人添夜夜欢视频| 精品国产乱码久久久久久小说| 99九九在线精品视频| 欧美日韩视频精品一区| 精品卡一卡二卡四卡免费| 亚洲久久久国产精品| 欧美另类一区| 中文字幕亚洲精品专区| 亚洲人成77777在线视频| 天堂8中文在线网| 久久亚洲精品不卡| 精品熟女少妇八av免费久了| 曰老女人黄片| 欧美黄色片欧美黄色片| 久久久国产一区二区| 啦啦啦啦在线视频资源| 亚洲人成77777在线视频| 欧美中文综合在线视频| 亚洲精品一区蜜桃| 日韩大码丰满熟妇| 青青草视频在线视频观看| 久久久久久人人人人人| 母亲3免费完整高清在线观看| 国产精品一区二区在线不卡| 午夜精品国产一区二区电影| 久久99一区二区三区| 中文字幕av电影在线播放| 日韩精品免费视频一区二区三区| 一级片免费观看大全| 大片免费播放器 马上看| 亚洲第一av免费看| 国产成人影院久久av| netflix在线观看网站| 在线精品无人区一区二区三| 可以免费在线观看a视频的电影网站| 丝袜脚勾引网站| av有码第一页| 成人国产av品久久久| 国产亚洲av高清不卡| 男女床上黄色一级片免费看| 爱豆传媒免费全集在线观看| 国产老妇伦熟女老妇高清| 成人免费观看视频高清| av天堂久久9| 国产一级毛片在线| 91精品三级在线观看| 成人三级做爰电影| 波多野结衣av一区二区av| 亚洲av成人精品一二三区| 亚洲欧美清纯卡通| av视频免费观看在线观看| 亚洲成国产人片在线观看| 新久久久久国产一级毛片| 这个男人来自地球电影免费观看| 啦啦啦中文免费视频观看日本| 精品亚洲成a人片在线观看| 制服诱惑二区| 亚洲精品一卡2卡三卡4卡5卡 | 曰老女人黄片| 亚洲人成77777在线视频| 50天的宝宝边吃奶边哭怎么回事| 久久亚洲精品不卡| 狂野欧美激情性xxxx| av在线老鸭窝| 亚洲精品乱久久久久久| 日韩一区二区三区影片| 日本a在线网址| 丰满少妇做爰视频| 一二三四社区在线视频社区8| 一边亲一边摸免费视频| 天天躁狠狠躁夜夜躁狠狠躁| 国产成人欧美在线观看 | 国产视频一区二区在线看| 一级,二级,三级黄色视频| 国产成人a∨麻豆精品| 久久精品国产亚洲av涩爱| www.熟女人妻精品国产| 成年动漫av网址| 十分钟在线观看高清视频www| a 毛片基地| 天天操日日干夜夜撸| 丝袜脚勾引网站| 永久免费av网站大全| 亚洲色图综合在线观看| 亚洲男人天堂网一区| 久久人人爽av亚洲精品天堂| 少妇被粗大的猛进出69影院| 欧美国产精品一级二级三级| 国产不卡av网站在线观看| 免费久久久久久久精品成人欧美视频| 丝袜在线中文字幕| 日韩人妻精品一区2区三区| 9热在线视频观看99| 1024视频免费在线观看| 丝袜脚勾引网站| 精品国产乱码久久久久久男人| 天堂8中文在线网| 久久av网站| 亚洲 欧美一区二区三区| 国产在线免费精品| 中国国产av一级| 日本五十路高清| 人人妻人人澡人人看| 欧美亚洲日本最大视频资源| 两性夫妻黄色片| 激情视频va一区二区三区| 久久精品成人免费网站| 777久久人妻少妇嫩草av网站| 免费观看av网站的网址| 好男人视频免费观看在线| 国产三级黄色录像| 日本av手机在线免费观看| 中文字幕人妻丝袜一区二区| 亚洲 欧美一区二区三区| 岛国毛片在线播放| 久久人人爽av亚洲精品天堂| 在线观看免费视频网站a站| 欧美国产精品一级二级三级| 黄片小视频在线播放| 国精品久久久久久国模美| 免费看不卡的av| 中国国产av一级| 国产成人一区二区在线| 免费在线观看日本一区| 99国产精品免费福利视频| 大片电影免费在线观看免费| 午夜福利乱码中文字幕| √禁漫天堂资源中文www| 亚洲成av片中文字幕在线观看| 日本猛色少妇xxxxx猛交久久| 天天影视国产精品| 狂野欧美激情性xxxx| 搡老岳熟女国产| 亚洲精品国产一区二区精华液| 久久国产精品男人的天堂亚洲| 亚洲国产中文字幕在线视频| 男女床上黄色一级片免费看| 中文字幕av电影在线播放| 女性生殖器流出的白浆| 亚洲成人手机| 日韩熟女老妇一区二区性免费视频| 91精品国产国语对白视频| 大陆偷拍与自拍| 欧美国产精品va在线观看不卡| 欧美激情高清一区二区三区| 夜夜骑夜夜射夜夜干| 国产女主播在线喷水免费视频网站| 97人妻天天添夜夜摸| 免费高清在线观看视频在线观看| 超碰成人久久| 男的添女的下面高潮视频| 9热在线视频观看99|