老年痴呆症縱向隨訪數據的混合效應神經網路模型研究

《老年痴呆症縱向隨訪數據的混合效應神經網路模型研究》是依託中國人民解放軍第四軍醫大學，由張玉海擔任項目負責人的面上項目。

基本介紹

• 中文名：老年痴呆症縱向隨訪數據的混合效應神經網路模型研究
• 項目類別：面上項目
• 項目負責人：張玉海
• 依託單位：中國人民解放軍第四軍醫大學

項目摘要

老年痴呆症（AD）嚴重影響病人的生活能力，給社會和家庭帶來沉重的負擔。隨著我國加速進入老齡化社會，AD將成為一個嚴重的公共衛生問題。有關AD的流行病學研究很多，積累了大量的縱向隨訪數據，但該類數據的分析一直是統計學的難點。目前大多採用傳統的線性混合模型來處理。該模型對數據的分布要求嚴格，且假定疾病是線性進展的。然而，AD等慢性疾病的隨訪數據一般並不符合上述假定，採用線性混合模型受到很大的限制。缺乏合適的統計分析方法，已經成為合理利用縱向隨訪數據的一個障礙。本項目針對這一具體問題，探索一種套用混合效應神經網路模型處理縱向隨訪數據的新模式。基本思想是將線性混合模型原理與神經網路技術相結合，達到既可以利用神經網路的靈活性，又可以處理隨機效應的目的，為縱向隨訪數據的分析提供一個新思路。本研究在合理利用縱向隨訪數據，準確預測AD疾病的進展階段，提高病人的照顧質量等方面具有重要的科學意義和實用價值。

結題摘要

老年痴呆症（AD）縱向隨訪數據的分析一直是統計學的一個難點。由於不滿足某些假定，線性混合模型的套用受到一定的限制。本項目探索了一種套用混合效應神經網路模型處理縱向隨訪數據的新模式。我們首先篩選了影響老年人認知功能的危險因素，年齡、性別、隨訪次數（跟時間相關）、教育程度、腦外傷、中風史有統計學意義，種族、家族史、飲酒、糖尿病、吸菸等因素是潛在的危險因素。然後建立了BP和RBF神經網路模型，以上述危險因素的主成分作為輸入變數，評估了神經網路模型預測老年人認知功能的效果。結果表明，BP神經網路和RBF神經網路都能夠較好的擬合訓練樣本。與BP神經網路預測模型相比，RBF預測模型的訓練速度和逼近能力更強，在預測AD的疾病進展時精度更高，但上述兩個模型不能夠估計隨機效應。在文獻基礎上，我們構建了混合效應神經網路模型（MENN），並進行了專家諮詢，在理論上評價模型的合理性和可行性。採用計算機模擬產生不同情形的非線性縱向數據，特別是模擬不同形式的缺失數據、模擬各測量點之間不同的相關關係，結果表明MENN網路模型能夠較好的處理非線性數據及缺失值。在此基礎上進行了實證研究，以實際數據訓練MENN網路，建立AD預測模型並與傳統GLMM/GEE模型的預測結果進行比較。結果表明混合效應神經網路能夠較好的處理AD隨訪數據的非線性特徵，實現較好的預測效果，錯分率在5%-17%之間（全距12%）。相比於GLMM、GEE模型，混合效應神經網路的預測精度更高。但由於實際MMSE得分的變異很大，導致MENN錯分率仍然較高。研究結論為，混合效應神經網路模型是適合縱向隨訪數據的統計分析的，且能實現較好的預測效果，為老年痴呆症隨訪數據的分析提供了一種比傳統方法更加靈活的建模型範例。本研究在合理利用縱向隨訪數據，準確預測AD疾病的進展階段，提高病人的照顧質量等方面具有重要的科學意義和實用價值。