基于智能算法的心血管疾病關聯研究

李欣宇 王雯 祝騰飛

摘 要：目前，心血管疾病已經成為重大的公共衛生問題，我國的心血管發病率呈持續長升趨勢。對心血管疾病進行多因素關聯分析可為臨床決策提供指導作用。因此，通過加權似然函數法構建樹，基于粒子群算法實現模型參數優化，選取具有最大加權似然函數值的路徑為最優路徑，從而實現疾病關聯分析研究。通過仿真實驗，充分表明基于粒子群算法的關聯分析具有良好的穩定性。

關鍵詞：心血管疾病;粒子群算法;關聯分析

中圖分類號：F24 ? ? 文獻標識碼：A ? ? ?doi：10.19311/j.cnki.1672-3198.2020.07.044

0 引言

目前，中國心血管病的發病人數持續增長，且心血管疾病占城鄉居民總死亡原因的首位，從近年來中國心血管病（CVD）與其它疾病的死亡率對比統計分析情況中可以看出，以10萬為基數，農村與城市相對比，CVD死亡率比為295.63：261.99，其中心臟病死亡率比為143.72：136.21、腦出血比為74.51：52.25和腦梗死比為45.30：41.99。由此可見，心腦血管疾病的防治已成為重大的公共衛生問題。目前，盡管臨床醫生和研究者開展了與心血管疾病的大量相關研究，但更多地局限于某些指標的影響分析，缺乏普適的分析方法實現與疾病相關的致病因素研究。針對此問題，本文提出一種基于粒子群算法的疾病關聯分析方法，為臨床診療提供決策支持。

1 方法

2 實驗分析

采用仿真實驗數據對方法進行驗證。分別生成疾病組和對照組，設置100個指標屬性，并分別設置與心血管疾病相關的致病因素數量為50、60、70、80和90。在不同的人群風險度PAR下進行致病因素的識別。獲得每組數據的四個性能指標，TP（真陽性）、FP（假陽性）、TN（真陰性）和FN（假陰性），取其均值進行如下幾個指標統計：（1）識別致病因素的準確率（Accuracy）;（2）總體準確率（TA）;（3）查全率（CR）;（4）誤報率（FPR）;（5）F-Score;（6）相關系數φ。從實驗結果可見，在不同的PAR和致病因素設置下，模型性能表現較為一致，充分說明算法具有一定的穩定性。識別致病因素的準確率均值可達到90%左右，總體準確率接近80%，查全率達到80%以上，F1值為80%以上。但誤報率相對較高，為20%～40%，相關系數均值為0.5左右，說明此算法假陽性結果較高，仍有改善空間。

3 結論

本文方法采用粒子群算法優化模型參數，采用加權似然函數值識別出各指標屬性構建的最佳路徑。實驗表明所提方法具有一定的識別能力，但仍存在相對較高的誤報率，且相關系數偏低，說明在稀疏矩陣中粒子群算法表現性能一般，仍需考慮進一步優化，降低誤識率。在未來研究中，還應充分考慮指標屬性間的關聯影響。

參考文獻

[1]陳偉偉，高潤霖，劉力生，等.中國心血管病報告2013概要[J].中國循環雜志，2014，（7）：487-491.

[2]Brandon C，Saonli B ，Sharmistha G，et al.Weighted Score Tests Implementing Model-Averaging Schemes in Detection of Rare Variants in Case-Control Studies[J].PLOS ONE，2015，10（10）：e0139355.