数据挖掘与模型构建在预测重症手足口病中的应用*

黄平，冯慧芬，王斌，赵敬，易佳音

（郑州大学第五附属医院 1.消化内科，2.感染科，河南 郑州 450052）

手足口病（hand-foot-mouth disease, HFMD）是一种由肠道病毒引起的，以婴幼儿发病为主的急性传染性疾病[1]。尽管多数患儿表现为症状轻微，但也有少部分患儿因各种严重的神经系统、呼吸系统并发症而导致后遗症，甚至死亡，因而如何早期识别重症患者成为临床医生面临的重要难题[2]。数据挖掘是一种从大量的数据中，通过数理模式来探索隐藏数据中未知规律的过程。本研究通过数据挖掘的思想，构建决策树模型，从复杂的临床资料中找出较佳的预测指标，从而为临床医生HFMD诊断治疗提供一种辅助决策手段。

1 资料与方法

1.1 一般资料

选取2016年6月-2017年10月于郑州大学第五附属医院收治的HFMD患儿838例。其中，男性513例，女性325例；年龄3个月～4岁，平均（2.3±1.1）岁；平均住院时间（4.5±0.8）d。所有患儿经病原学确诊。根据《手足口病诊疗指南（2010年版）》中的诊断标准，将所有患儿分成轻症组480例和重症组358例[3]。轻症组：仅表现为手、足、口及臀部的皮疹，伴或不伴发热；重症组：出现神经系统受累的表现，如头痛、呕吐；精神差、嗜睡、易惊、谵妄及惊厥；肢体抖动，肌阵挛、眼球震颤、共济失调及眼球运动障碍；无力或急性弛缓性麻痹；体征可见脑膜刺激征，腱反射减弱或消失。收集患儿信息资料，初步制定预选的分析变量，包括性别、年龄、发热时间、最高体温、易惊、肢体抖动、抽搐、寒战、嗜睡及呕吐等。

1.2 方法

由专人负责设计问卷调查表，通过交叉核对，使用EpiData 3.1软件进行原始数据的录入。通过一系列数据整理，包括去除缺失、异常及重复个案等，最后生成一份完整的数据。对所有预测变量进行二分类处理，并赋值为0或1。其中连续性变量处理后分别为：年龄＜3岁，发热时间≥3 d，体温≥38.5℃，白细胞≥10.8×109/L，中性粒细胞比率≥75%，血糖≥8.3 mmol/L。满足上述条件的均赋值为1，不满足上述条件的赋值为0。其余变量按照是否存在相应症状，将是赋值为1，否赋值为0；性别男赋值为1，女赋值为0；居住地农村赋值为1，城市赋值为0。最后将处理后的数据，进行统计学分析。

1.3 统计学方法

数据分析采用SPSS Statistics 23.0统计软件，模型构建和评估采用SPSS Modeler 18.0软件。Modeler软件在决策树构建模块提供了多种算法，包括随机树、分类和回归（classification and regression, C&R）树、C5.0、χ2自动交互检测法（chi-squared automatic interaction detector, CHAID）及高效统计树（quick unbiased efficient statistical tree, QUEST）等。所有算法的基本操作相同，即将数据分隔成多个子组来实现最佳分类或预测，但因输入和目标（输出）字段的类型是连续型变量或分类变量而有区别。其中C&R和CHAID的输入和目标字段可以是连续或分类变量，而QUEST和C5.0要求目标字段必须是分类变量。根据以上原理，在Modeler软件中，先选用自动分类器，对上述常见算法进行建模，最后根据总体精确性对所有算法进行筛选，选取最优算法，配置模型参数，输出分类树模型，评估模型的预测正确率，输出模型的累计收益图，评估模型拟合效果，同时绘制受试者工作特征（receiver operating characteristic, ROC）曲线，评估模型的诊断性能。

2 结果

2.1 模型构建及患者临床资料比较

经过自动分类器筛选，最终确定C&R算法最佳。C&R树是个组合，包括分类树和回归树，目标变量为分类变量时使用分类树，以Gini系数来确认分割点，为连续型变量时则使用回归树，以方差来确认分割点。决策树包括种树和修建2个环节，模型参数设置包括构建单个决策树，最大树深度为5层，修建树以防止过度拟合。中止规则为父分支使用最小记录数2%，子分支为1%。两组患儿居住地、发热时间、体温、白细胞、中性比率、血糖、精神差、嗜睡、易惊、肢体抖动、呕吐、寒战及咽部疱疹比较，差异有统计学意义（P＜0.05）。见表1和图1～3。

2.2 模型结果

C&R算法构建的决策树共包括3层7个节点，其中终末节点共有4个。模型共纳入3个解释变量：易惊、呕吐及肢体抖动。决策树生成原理第一步为训练样本集生成决策树的过程，第二步为决策树的剪枝过程，以新的测试数据为对象进行模型的修建过程，即总样本被分为训练和测试2个数据集，图中节点0的总数603例即为训练样本大小，而图中未显示的测试样本量为235例。Gini系数作为分割点，它代表了目标变量组间的差异程度，其系数越小，组间差异越大。从根节点出发，计算每个节点的Gini系数，然后再计算1个系数的变化量，代表了异质性的下降，反应到决策树的图形上，显示为改进等于系数变化量。决策树从上往下分支，可以看到改进越来越小。从生成的预测变量重要性图中可以看出，HFMD的分组与肢体抖动、易惊以及呕吐相关，而与其他变量则关系不大，再次验证了决策树模型的纳入变量选择。见图1～3。

表1 患者的临床资料比较

图1 C&R算法决策树

图2 简易决策树

图3 预测变量的重要性

2.3 模型拟合效果

为了评价决策树模型的整体拟合效果，绘制模型累计收益图，在前期快速达到较高点后，快速趋于平稳，而本研究构建的决策树模型可以看到距离理想模型参考线较为接近；根据模型的预测结果绘制ROC曲线图，其曲线下面积为0.903[（95%CI：0.878，0.927），P=0.000]。模型的预测的准确性为91.17%，敏感性为84.36%，特异性为96.25%，见图4、5。

图4 C&R决策树模型的累计收益率

图5 C&R决策树模型的ROC曲线图

3 讨论

近年来，机器学习、人工智能等数据挖掘领域新兴技术蓬勃发展，随着大数据时代的到来，对庞大数据的处理分析也变得更为复杂和关键[4-5]。借助统计建模等领域与大数据端口的联结，可以通过分析数据提供决策向导，及时应对复杂的变化。决策树作为建模的一种算法，在处理分类问题方面具有精确性高、输出结果容易理解等优势[6]。

目前，国内关于手足口病方面的临床研究，较为常见的是使用Logistic回归模型来筛选变量，预测病情[7-10]。Logistic回归属于一种参数统计，其主要用于解决探讨危险因素以及预测发生概率等问题[11]。它属于一种线性模型，在分析主效应方面占优，但是无法处理各种变量的交互效应以及模型过度拟合的问题。而决策树属于非参数统计，可以很好地弥补Logistic回归模型的不足[12]。在处理交互相应方面较佳，能有效地避免模型的过度拟合，提升模型预测精确性的同时，提高适用广度[13]。此外，分类树模型可以很好地处理缺失值的情况，通过优化的算法，使得模型在实际使用中更高效便捷。本研究通过回顾性分析临床收集的患者资料，建立决策树模型，从众多待分析变量中筛选出预测变量，最后对模型进行评估，模型预测准确性为91.17%，提示模型拟合效果较好。隋美丽等[14]的研究显示通过决策树筛选出精神差、手足抖动、易惊及热峰≥39℃共4个解释变量，预测准确性为95.5%。ZHANG等[15]的临床研究通过更高级的迭代决策树算法，构建的模型预测准确性为92.3%。可以看出决策树模型在预测HFMD方面有一定的优势。本研究尚有一定不足，由于样本量偏小以及患者搜集时存在局限性，研究的人群能否很好地代表整体特征，以及模型的适用范围仍有待验证。任何模型都有其优势和不足，由于实际数据的复杂多样性，一种模型很难完全胜任，往往需要多种模型协调联合，通过优势互补，发挥功能。

综上所述，本研究提供了一种新的思路，通过决策树模型共纳入3个解释变量：易惊、呕吐及肢体抖动，模型预测精确度较高，对临床疾病诊疗有一定的辅助价值。后续仍需更多研究的深入开展，以挖掘出更佳算法，构建更优模型应用于临床，为重症手足口病的诊疗及预防做出更大的贡献。