1、糖尿病已成為全球性重大公共衛(wèi)生問題，患者大、微血管并發(fā)癥的發(fā)病率極高，二者已成為影響糖尿病患者生活質量、致殘致死的主要原因。本研究旨在通過分析2型糖尿病病人的臨床資料和實驗數據預測糖尿病慢性并發(fā)癥，為研究和控制2型糖尿病慢性并發(fā)癥提供幫助。 數據挖掘(DataMining)就是從大量的、不完全的、有噪聲的隨機數據中，提取蘊含在其中的、不為人知但又具有潛在價值的信息和知識的過程。數據挖掘是面向應用的技術，在臨床醫(yī)學診斷中，應用數據

2、挖掘技術的原理，通過對大量診斷數據的挖掘來建立預測模型，可以作為決策時的依據和指南，對臨床醫(yī)學作輔助診斷，從而提高臨床診斷的準確性。 本文的研究內容分三個方面：(1)建立糖尿病并發(fā)癥預測的學習向量量化神經網絡模型并對測試集進行測試；(2)建立糖尿病并發(fā)癥預測的LOGISTIC回歸模型并對測試集進行測試；(3)利用LOGISTIC回歸篩選變量，建立糖尿病并發(fā)癥預測的學習向量量化神經網絡模型。通過上述不同方法，我們將明確2型糖尿病患

3、者的臨床資料和實驗室指標與糖尿病慢性并發(fā)癥間的關系，并建立不同糖尿病并發(fā)癥的預測模型。 研究的主要路線和方法是：首先對收集的數據進行數據預處理，并將預處理的結果作為數據挖掘的數據源。建立預測模型過程中選用的人工智能方法是學習向量量化(LearningVectorQuantization簡稱LVQ)神經網絡，是一種自適應數據聚類方法，它基于有期望類別信息的數據進行訓練。另外，統(tǒng)計預測模型利用了LOGISTIC回歸法，顯示二分類模型

4、的回歸診斷。最后，將統(tǒng)計學與人工神經網絡相結合：應用LOGISTIC回歸分析所篩選的變量作為LVQ神經網絡的輸入，再次構造預測模型。 本論文的研究結果是：用學習向量量化神經網絡建立的2型糖尿病慢性并發(fā)癥預測模型對合并心血管病變的預測正確率70.59％；合并腎臟病變的預測正確率78.43％；合并視網膜病變的預測正確率74.51％；合并下肢動脈栓塞的預測正確率90.20％；合并神經病變的預測正確率68.63％。用LOGISTIC回歸

5、建立的2型糖尿病并發(fā)癥預測模型對合并心血管病變的預測正確率76.47％；合并腎臟病變的預測正確率78.43％；合并視網膜病變預測正確率62.75％；合并下肢動脈栓塞預測正確率86.27％；合并神經病變預測正確率60.78％。應用LOGISTIC回歸篩選變量后建立的LVQ神經網絡預測模型對合并心血管病的預測正確率70.59％；合并腎臟病變預測正確率78.43％；合并視網膜病變預測正確率70.59％；合并下肢動脈栓塞預測正確率84.31％；

6、合并神經病變預測正確率64.71％。 本研究的結論是：(1)三種預測模型對2型糖尿病的四種慢性并發(fā)癥(冠心病、糖尿病腎病、視網膜病變及下肢動脈栓塞)有較好的預測結果，但對神經病變的預測欠佳；(2)三種預測方法間的預測結果符合率無統(tǒng)計學差異；(3)2型糖尿病并發(fā)癥預測模型的建立，為糖尿病慢性并發(fā)癥的控制和治療提供了可參考預測模型。(4)數據挖掘技術在現代臨床醫(yī)學診斷中具有廣泛的應用前景，它為醫(yī)學診斷開辟了新的途徑。隨著信息技術的發(fā)