糖尿病已成为全球性重大公共卫生问题,患者大、微血管并发症的发病率极高,二者已成为影响糖尿病患者生活质量、致残致死的主要原因。本研究旨在通过分析2型糖尿病病人的临床资料和实验数据预测糖尿病慢性并发症,为研究和控制2型糖尿病慢性并发症提供帮助。 数据挖掘(Data Mining)就是从大量的、不完全的、有噪声的随机数据中,提取蕴含在其中的、不为人知但又具有潜在价值的信息和知识的过程。数据挖掘是面向应用的技术,在临床医学诊断中,应用数据挖掘技术的原理,通过对大量诊断数据的挖掘来建立预测模型,可以作为决策时的依据和指南,对临床医学作辅助诊断,从而提高临床诊断的准确性。 本文的研究内容分三个方面:(1)建立糖尿病并发症预测的学习向量量化神经网络模型并对测试集进行测试;(2)建立糖尿病并发症预测的LOGISTIC回归模型并对测试集进行测试;(3)利用LOGISTIC回归筛选变量,建立糖尿病并发症预测的学习向量量化神经网络模型。通过上述不同方法,我们将明确2型糖尿病患者的临床资料和实验室指标与糖尿病慢性并发症间的关系,并建立不同糖尿病并发症的预测模型。 研究的主要路线和方法是:首先对收集的数据进行数据预处理,并将预处理的结果作为数据挖掘的数据源。建立预测模型过程中选用的人工智能方法是学习向量量化(Learning Vector Quantization简称LVQ)神经网络,是一种自适应数据聚类方法,它基于有期望类别信息的数据进行训练。另外,统计预测模型利用了LOGISTIC回归法,显示二分类模型的回归诊断。最后,将统计学与人工神经网络相结合:应用LOGISTIC回归分析所筛选的变量作为LVQ神经网络的输入,再次构造预测模型。 本论文的研究结果是:用学习向量量化神经网络建立的2型糖尿病慢性并