伍 剛，許國宇，白 穎，周 青，劉 策，常鵬飛，安沂華(中國人民解放軍第09醫(yī)院細胞治療病房，北京 0009;中國人民解放軍第09醫(yī)院放射科;中國人民解放軍第09醫(yī)院神經外科;通訊作者，E-mail:pengfei_chaung@6．com)

近年腦血管疾病已經成為嚴重威脅我國城鎮(zhèn)人口生命健康的主要病因之一［1］。流行病學調查顯示，我國每年顱內出血發(fā)病率高達77．1/10萬人，高于歐美等發(fā)達國家［2］。顱內出血給患者、家庭和社會帶來巨大經濟壓力和負擔。臨床路徑實施是公認的能夠提高疾病治療效率的臨床手段［3］。住院天數是制定臨床路徑的重要客觀指標［3］。分析住院天數的相關影響因素對制定顱內出血診療流程有重要意義。

由于住院天數在數據分布上往往不是正態(tài)分布，因此應用傳統(tǒng)統(tǒng)計學方法分析較為繁瑣。誤差逆向傳播神經網絡模型(back propagation，BP)是目前被廣泛使用的神經網絡模型之一［4］。由于 BP神經網絡對于資料的類型、分布等無任何前提條件，且具有一定的容錯性，能通過自我學習，自我調整實現輸入變量和輸出變量之間的復雜映射關系［5］。因此可以考慮將BP神經網絡用于對住院天數及其影響因素進行建模，實現住院天數及其影響因素之間的關系擬合。本文擬應用BP神經網絡模型和多重線性模型對顱內出血患者住院天數及其影響因素進行分析，找到規(guī)律性特點指導臨床實踐工作。

1 研究對象與方法

1．1 研究對象

回顧調查中國人民解放軍第309醫(yī)院2011-01～2014-05入院診斷為ICH患者共396例(根據1995年全國第四屆腦血管病學術會議修訂的顱內出血診斷標準)，排除腦外傷出血、蛛網膜下隙出血、腦腫瘤出血、腦干出血病例、顱內出血死亡病例、中途自動出院以及信息不完整病例，其中有效病例共計290例，占總病例數的73．2%。其中男性197例，女性93 例，平均年齡(57．3 ±12．9)歲。

1．2 調查內容和方法

收集入院患者臨床信息包括:顱內出血體積(ABC/2法)，血小板計數，血紅蛋白含量、血糖值、凝血指標、入院GCS評分、治療過程中應激性潰瘍消化道出血、肺部感染、深靜脈血栓、手術方式、是否進行康復治療、出院時GOS評分。所有資料進行統(tǒng)一處理并編碼(見表1)。

1．3 BP神經網絡模型建立

本課題BP神經網絡模型采用SPSS19．0軟件所提供的BP神經網絡模塊將表1中1-12作為輸入變量，將第13項住院天數作為輸出變量進行建模。其中輸入層1層，隱含層2層，第一隱含層4個神經元，第二隱含層3個神經元，輸出層1層。其中訓練集占總樣本70%，預測集占30%。傳輸函數選擇LogSig函數。敏感度分析:BP神經網絡模型建立后，進行敏感度分析，從而分析輸入變量對輸出變量的重要程度。其中變量1-12需要進行歸一化處理至［0，1］范圍［6］。

1．4 統(tǒng)計學方法

利用EXCEL對資料的數據進行雙份錄入，排除異常數據。資料采用SPSS19．0統(tǒng)計軟件進行數據處理。BP神經網絡模型獲得住院天數預測值與實際值進行相關分析。多重線性回歸過程，需要對非正態(tài)分布住院天數進行對數轉換使之符合正態(tài)分布。然后將上述變量1-12作為自變量，變量13作為因變量進行多重線性回歸分析。采用R、R2、調整R2、標準誤差、平均相對誤差對兩模型的預測結果進行比較分析。

表1 選取影響顱內出血住院天數的因素項目及編碼Table 1 Factors affecting the hospitalized stay for intracranial hemorrhage and their encoding

2 結果

2．1 顱內出血患者住院天數影響因素分析

BP神經網絡模型和經ln數據轉換多重線性回歸模型對顱內出血患者住院天數預測值建立散點圖(見圖1)。其中BP神經網絡模型的R2=0．484，多重線性回歸模型的R2=0．467。BP神經網絡模型給出了每個變量的敏感度，即研究變量每變化一單位，對住院天數的影響大小(見表2)。BP神經網絡模型結果顯示，對住院天數影響排前4位的變量分別是肺部感染、康復治療、血糖水平和出院時GOS評分。多重線性回歸模型顯示，納入回歸方程的因素有肺部感染、康復治療、治療方式和血糖水平(F=62．549，P ＜ 0．001，見表 3)。回歸方程:lnY=1．158+0．241 × X7+0．198 × X11+0．181 × X10+0．087×X5。其中有三個相同因素均納入兩模型分析中。

圖1 BP神經網絡模型和多重線性回歸模型預測住院天數散點圖Figure 1 Scatter diagram of back propagation neural network versus multiple linear regression for predicting the hospitalized stay in patients with intracerebral hemorrhage

表2 BP神經網絡各變量敏感度分析Table 2 Sensitivity of factors in BP neural network

表3 多重線性回歸模型對顱內出血住院天數的分析結果Table 3 Results of multiple linear regression models for hospitalized stay of patients with intracranial hemorrhage

2．2 兩個模型在預測顱內出血患者住院天數的比較

對BP神經網絡模型和多重線性回歸模型的預測結果進行配對t檢驗，其檢驗結果顯示差異有統(tǒng)計學意義(t=4．099，P ＜0．001)，故分別用 BP 神經網絡和多重線性回歸模型對顱內出血患者住院天數進行預測，其預測結果差異具有統(tǒng)計學意義。兩個模型預測能力比較結果見表4。BP神經網絡模型R2、調整R2大于多重線性回歸，而標準誤差和相對平均誤差小于多重線性回歸。總體而言，在對顱內出血住院天數進行預測時BP神經網絡模型的預測性能優(yōu)于多重線性回歸模型。

表4 兩模型預測性能比較Table 4 Comparison of the predictive performance between two models

3 討論

多重線性回歸分析結果顯示，影響顱內出血患者住院天數的因素有肺部感染、康復治療、治療方式和血糖水平。但是多重線性回歸模型需要預測變量符合正態(tài)分布。如果數據不符合正態(tài)分布，需要進行復雜的數據轉換。同時該模型也要求變量間相互獨立，自變量間的聯合作用符合加法模型，而非參數方法雖然對資料特點不做要求，但卻不能完全利用資料的全部信息，檢驗效能較低［6］。BP神經網絡對資料特性不做任何要求，且能完全利用資料的全部信息。由于其具有學習性和自適應性兩種特性，能調整變量權重以適應樣本特性，在數據挖掘中具有一定優(yōu)勢，可不受任何限制地自動學習變量間的任何關系。通過對變量敏感度分析，可以找到對輸出變量的影響程度顯著的變量，得出的結果較客觀［7］。

敏感度分析結果顯示，肺部感染對顱內出血患者住院天數的影響最大。肺部感染是顱內出血患者常見并發(fā)癥，可由顱內出血患者嘔吐物誤吸、免疫力下降、吞咽障礙、神經源性肺水腫、氣管切開機械通氣等因素所導致［8，9］?；颊咭坏┏霈F肺部感染，可造成住院天數延長，住院費用升高［9］。對肺部感染的高?；颊呒霸绮扇『粑拦芾怼⒎尾孔o理措施，合理應用抗生素等治療方案，可達到患者早日出院的目標［9］。康復治療對顱內出血患者的住院天數影響也較為顯著。顱內出血患者康復臨床路徑顯示，標準的康復治療療程約28 d左右［10］。一線醫(yī)院顱內出血患者經常存在臨床治療和康復治療疊加進行的情況。這種治療模式雖然有利于患者治療過程的連續(xù)性，便于對病情復雜患者的臨床管理，但是客觀上延長了臨床科室顱內出血單病種的住院時間，也降低了相應醫(yī)療效率。因此，在臨床路徑制定過程中應注意對需要康復治療患者的臨床管理，這將有利于減少顱內出血患者的治療天數。對顱內出血患者住院天數影響較大的還有血糖水平。這可能是因為罹患糖尿病的患者，更容易合并腦循環(huán)缺血、出血后梗死、敗血癥等情況［11］，需要注意此類患者病情監(jiān)測和處理。

患者出院時的情況(GOS評分)和治療方式在兩個模型中對住院天數的影響作用不同。GOS評分在BP神經網絡模型中對住院天數影響作用明顯。這可以理解為患者病情的復雜程度與治療天數有關，病情輕或迅速惡化死亡者住院天數較短，而病情較重者治療時間較長，即病情輕重和治療天數的短長不是簡單的線性關系。治療方式選擇與患者預后緊密相關［12］。多重線性回歸分析顯示它對住院天數的影響顯著。一般來說，開顱手術患者病情應比鉆孔引流和保守治療的患者復雜，住院天數相對延長，但在實際情況下，住院天數可受到一些非線性因素的影響。這可能造成BP神經網絡模型和多重線性回歸模型在對一些變量的解釋上存在不同。

BP神經網絡模型在醫(yī)學研究領域的應用受到關注，尚存在一些問題有待解決，如權重系數的假設檢驗，權重系數的可信區(qū)間，權重系數的統(tǒng)計學意義，輸入變量的選擇等［13］。本研究局限于本醫(yī)院的就診人群，因此其外推性受到限制。但是，此方法仍可作為復雜因素篩選的參考方案。在制定顱內出血治療臨床路徑時，合理評估影響顱內出血患者住院天數的相關因素，將有助于實現減少顱內出血患者住院天數，提高醫(yī)療效率的目標。

［1］He J，Gu D，Wu X，et al．Major causes of death among men and women in China［J］．N Engl J Med，2005，353(11):1124-1134．

［2］Tsai CF，Thomas B，Sudlow CL．Epidemiology of stroke and its subtypes in Chinese vs white populations:a systematic review［J］．Neurology，2013，81(3):264-272．

［3］王佩琦，裴玉玲．臨床路徑的應用現狀及實施意義［J］．中外醫(yī)療，2013，32(7):191-192．

［4］葉健偉，沈亞誠，黃小玲．基于BP神經網絡的肺炎醫(yī)保住院費用分析［J］．衛(wèi)生經濟研究，2013，26(6):38-40．

［5］蘭莉，高菡璐，喬冬菊，等．應用BP人工神經網絡模型預測急性心梗死亡率與氣象因素的關系［J］．中國公共衛(wèi)生管理，2012，28(5):642-644．

［6］武建輝，王國立．BP神經網絡與多重線性回歸模型在煤工塵肺發(fā)病工齡預測中的比較研究［J］．中國煤炭工業(yè)醫(yī)學雜志，2014，17(12):1992-1995．

［7］石慧，王玉蘭，翁福利．BP神經網絡和模糊時間序列組合預測模型及其應用［J］．計算機應用，2011，31(2):90-91．

［8］巴慶華，馮樹濤，崔月梅．腦卒中肺部感染患者氣管切開時機對預后的影響［J］．中華醫(yī)院感染學雜志，2014，24(14):3484-3486．

［9］王蓬蓮，趙性泉，劉麗萍，等．急性期腦卒中相關性肺炎的研究進展［J］．山西醫(yī)科大學學報，2012，43(11):873-875．

［10］張通，趙軍．腦卒中康復臨床路徑［J］．中國康復理論與實踐，2014，20(3):285-288．

［11］劉鳳，代雪梅，劉丹，等．糖尿病并發(fā)敗血癥患者54例的臨床分析［J］．山西醫(yī)科大學學報，2012，43(10):774-776．

［12］呂新兵，張洪兵，尹連虎，等．高血壓基底節(jié)區(qū)腦出血手術患者預后相關因素分析［J］．山西醫(yī)科大學學報，2012，43(7):514-517．

［13］王俊杰，陳景武．BP神經網絡在疾病預測中的應用［J］．數理醫(yī)藥學雜志，2008，21(3):259-262．