目的构建符合北京、上海两地40~65岁女性人口学特征的危险因素和中医症状相结合的骨质疏松性骨折早期风险预测工具。方法本研究采用注册登记式研究的方法,对2009年3月-8月在北京市东城区及上海市徐汇区收集的1129例40~65岁女性骨质疏松...目的构建符合北京、上海两地40~65岁女性人口学特征的危险因素和中医症状相结合的骨质疏松性骨折早期风险预测工具。方法本研究采用注册登记式研究的方法,对2009年3月-8月在北京市东城区及上海市徐汇区收集的1129例40~65岁女性骨质疏松症高危人群的危险因素及中医症状信息,进行连续3年的登记观察。采用SMOTE过抽样算法平衡数据,基于Group Lasso的Logistic回归模型筛选与骨质疏松症骨折有关的危险因素及中医症状,建立骨质疏松性骨折风险评估工具。结果基于R 3.3.3软件的Grplasso包,在不同λ水平上,我们进行对绝经后骨质疏松性骨折的危险因素与中医证候要素的学习。最终结合数理与医理,认为λ=0.0235时遴选出的变量最佳。具体组变量包括:骨密度(bone mineral density,BMD)、年龄、食物类、身高、月经情况、孕产次数和肝肾阴虚。进而基于Logistic回归模型得出骨质疏松性骨折预测工具:P=-1.88+0.437*BMD+0.289*年龄+0.023*大米面条-0.007*奶制品-0.096*豆制品-0.128*肉类-0.084*鱼类-0.007*新鲜蔬菜-0.018*蛋类+0.047*海藻类+0.048*身高-0.035*是否变矮-0.081*初潮年龄+0.171*是否绝经+0.121*绝经年限+0.039*怀孕次数+0.192*生产次数-0.056*子宫卵巢是否切除+0.05*手足烦热-0.094*盗汗+0.008*腿软+0.15*目眩-0.048*视物模糊-0.045*目睛干涩-0.089*恶热+0.08*脱发+0.034*齿摇-0.101*口苦+0.004*易怒+0.054*午后潮热-0.056*失眠+0.019*多梦易惊-0.02*胸胁苦满+0.137*下肢转筋。对该预测模型预测概率绘制受试者工作特征曲线,结果显示曲线下面积为0.8775(95%CI=0.8412~0.9138)。结论初步建立了基于北京、上海人口学特征40~65岁女性骨质疏松性骨折早期风险预测工具。展开更多
目的建立基于广义偏线性模型(generalized partial linear model,GPLM)的,包括危险因素和中医证候要素内容的绝经后骨质疏松症(postmenopausal osteoporosis,PMOP)风险判别模型。方法在获取1740例社区PMOP高危人群危险因素及证候问卷调...目的建立基于广义偏线性模型(generalized partial linear model,GPLM)的,包括危险因素和中医证候要素内容的绝经后骨质疏松症(postmenopausal osteoporosis,PMOP)风险判别模型。方法在获取1740例社区PMOP高危人群危险因素及证候问卷调查数据基础上,筛选出与PMOP发病相关的重要危险因素和中医症状为协变量,以骨密度定性诊断为结局变量,建立基于GPLM的PMOP判别模型。结果 GPLM模型线性部分参数估计提示:是否绝经、体重指数、下肢抽筋、下肢骨痛、绝经年限(线性效应)具有统计意义(P<0.05);模型非线性部分参数估计提示:绝经年限(非线性效应)具有统计意义(P<0.05)。与logistic回归模型相比,拟合GPLM模型时加入了"绝经年限"的非线性效应,其AUC值为0.7971,具有统计学意义(χ2=21.9162,P<0.001)。结论绝经年限与PMOP发病之间存在非线性效应。将西医危险因素和中医症状相结合,建立基于GPLM的PMOP判别模型,反映病证结合特点,与logistic回归模型相比,具有更好的判别准确性。展开更多
文摘目的构建符合北京、上海两地40~65岁女性人口学特征的危险因素和中医症状相结合的骨质疏松性骨折早期风险预测工具。方法本研究采用注册登记式研究的方法,对2009年3月-8月在北京市东城区及上海市徐汇区收集的1129例40~65岁女性骨质疏松症高危人群的危险因素及中医症状信息,进行连续3年的登记观察。采用SMOTE过抽样算法平衡数据,基于Group Lasso的Logistic回归模型筛选与骨质疏松症骨折有关的危险因素及中医症状,建立骨质疏松性骨折风险评估工具。结果基于R 3.3.3软件的Grplasso包,在不同λ水平上,我们进行对绝经后骨质疏松性骨折的危险因素与中医证候要素的学习。最终结合数理与医理,认为λ=0.0235时遴选出的变量最佳。具体组变量包括:骨密度(bone mineral density,BMD)、年龄、食物类、身高、月经情况、孕产次数和肝肾阴虚。进而基于Logistic回归模型得出骨质疏松性骨折预测工具:P=-1.88+0.437*BMD+0.289*年龄+0.023*大米面条-0.007*奶制品-0.096*豆制品-0.128*肉类-0.084*鱼类-0.007*新鲜蔬菜-0.018*蛋类+0.047*海藻类+0.048*身高-0.035*是否变矮-0.081*初潮年龄+0.171*是否绝经+0.121*绝经年限+0.039*怀孕次数+0.192*生产次数-0.056*子宫卵巢是否切除+0.05*手足烦热-0.094*盗汗+0.008*腿软+0.15*目眩-0.048*视物模糊-0.045*目睛干涩-0.089*恶热+0.08*脱发+0.034*齿摇-0.101*口苦+0.004*易怒+0.054*午后潮热-0.056*失眠+0.019*多梦易惊-0.02*胸胁苦满+0.137*下肢转筋。对该预测模型预测概率绘制受试者工作特征曲线,结果显示曲线下面积为0.8775(95%CI=0.8412~0.9138)。结论初步建立了基于北京、上海人口学特征40~65岁女性骨质疏松性骨折早期风险预测工具。
