论文部分内容阅读
目的了解MCI向AD转归情况,探讨MCI、AD及MCI向AD转归的主要危险因素;建立MCI向AD转归的Logistic回归模型、神经网络模型和决策树模型,并比较3种模型的准确性,为MCI向AD转归早期预测提供参考。方法收集南昌市5个社区2015-2017随访的428名MCI患者资料。收集包括人口学特征、生活行为因素、既往病史、ADL量表、MoCA量表、尿AD7c-NTP蛋白等变量资料。将收集的病例数据用EPidata3.1软件进行建立数据库和数据录入;应用SPSS软件分别建立MCI向AD转归的Logistic回归、BP神经网络模型和决策树模型3种预测模型,使用Medcalc软件计算ROC曲线下面积,初步比较三种模型的预测精度。结果428例MCI患者,有121例转归为AD,转归率为28.3%。多因素Logistic回归分析显示,在研究的17个变量中,年龄(2)(3)(OR=2.326,95%CI=1.699,3.014;OR=3.651,95%CI=2.241,4.537)、性别(OR=2.603,95%CI=1.626-4.810)、吸烟(OR=1.157,95%CI=1.073-1.341)、大量饮酒(OR=1.157,95%CI=1.026-3.587)、MocA分值(OR=0.766,95%CI=0.681-0.861)、ADL分值(OR=1.790,95%CI=1.637-1.979)与MCI转归为AD的关联有统计学意义(P均<0.01),Logistic预测模型为P=1/(1+e(1.885+1.537×年龄(2)+1.825×年龄(3)+1.687×性别+1.249×吸烟+1.374大量饮酒-0.267×MocA分值+1.318×ADL分值))。ROC曲线下面积为0.827(95%CI:0.789-0.855);BP神经网络模型的预测变量重要性从大到小依次为ADL分值、MoCA分值、年龄、尿AD7c-NTP、饮酒、吸烟、可支配收入、性别、是否参加体育锻炼或体育劳动、痴呆家族史。模型ROC曲线下面积AUC为0.819(95%CI为0.779~0.848,p<0.001)。决策树模型预测变量重要性依次为:年龄、ADL分值、痴呆家族史、尿AD7C-NTP、饮酒、MoCA分值、性别、是否参加体育锻炼或体力劳动。预测模型ROC曲线下面积为0.861(95%CI:0.832-0.881);三种模型的ROC曲线下面积比较显示BP神经网络(P=0.002)、Logistic回归模型(P=0.003)与决策树模型的ROC面积值均有统计学差异。而BP神经网络与Logistic回归之间的ROC曲线下面积没有统计学差别(P=0.462)。结论MCI患者转归为AD的转归率较高,转归的危险因素为高龄女性、吸烟、大量饮酒、高ADL分值;保护因素为高MoCA分值。决策树模型在预测MCI转归为AD性能上优于BP神经网络与Logistic回归模型。