检索历史 清除

摘要目的：<br>　　1. 筛选适用于煤工尘肺（Coal worker''s pneumoconiosis，CWP）患病风险预测模型的风险预测因子。<br>　　2. 构建基于反向传播（Back Propagation，BP）神经网络的CWP风险预测模型，通过模型训练使预测模型具备较高准确率。<br>　　3. 利用遗传优化算法和粒子群优化算法训练BP神经网络参数，结合优化算法和BP神经网络的优点，获得更优性能的CWP患病风险预测模型。<br>　　方法：<br>　　1. 基于医院的病例对照研究，以2017—2022 年在山西省某职业病医院进行职业健康检查和尘肺病诊疗的煤矿工人作为研究对象，采用随机森林的方法筛选特征变量。<br>　　2. EpiData3.0软件双录入研究对象资料，包括人口学特征、生活行为习惯、实验室检查结果、职业暴露情况等数据，利用Matlab 2022a和R 4.2.2软件，基于Logistic回归、BP神经网络、遗传优化算法、粒子群优化算法分别构建CWP预测模型，比较各模型受试者工作特征（ROC）曲线下面积、灵敏度、特异度、准确率，对所构建模型的CWP预测能力进行评价。<br>　　结果：<br>　　1. 本研究共纳入983名研究对象（553例CWP病例，430例对照），病例组人群平均年龄为51.03±7.01岁，接触煤尘工龄10～20年者居多（32.2%）；对照组平均年龄为41.13±9.32岁，接触煤尘工龄小于10年者居多（59.3%）。随机森林筛选1秒通气率（FEV1/FVC）、工龄、工种、年龄、1秒用力呼气容积（FEV1）、用力肺活量（FVC）、总胆固醇（TC）、高密度脂蛋白胆固醇（HDL-C）、甘油三酯（TG）、饮酒作为预测模型特征变量。<br>　　2. BP神经网络模型灵敏度为88.2%，特异度为76.9%，准确率为83.4%；变量正态化重要性结果显示：对煤矿工人发生CWP 影响最重要的因素有FEV1/FVC、工龄、工种。以神经网络模型输入层变量作为自变量，输出层变量作为因变量构建Logistic回归模型，结果显示饮酒、FVC/FEV1、工龄、年龄是CWP患者的危险因素，辅助工对CWP具有保护作用；模型灵敏度、特异度、准确率分别为79.0%、75.5%、82.7%。BP神经网络模型和Logistic回归模型ROC曲线下面积分别为0.869（95%CI：0.882，0.916）、0.802（95%CI：0.750，0.850）。<br>　　3. 遗传优化BP神经网络模型的灵敏度89.5%，特异度85.0，准确率87.5；同时获得粒子群优化BP神经网络模型灵敏度、特异度、准确率分别为90.2%、86.1%、87.1%。两模型的ROC曲线下面积分别为0.908（95%CI：0.858，0.939）、0.912（95%CI：0.872，0.947）。<br>　　4. 比较Logistic回归模型、BP神经网络模型、遗传优化BP神经网络模型和粒子群优化BP神经网络模型的AUC值、灵敏度、特异度和准确率，得出BP神经网络模型的预测效能高于Logistic回归模型；两种优化算法模型的预测性能均优于BP神经网络模型，粒子群优化BP神经网络模型的预测能力更好。<br>　　结论：<br>　　粒子群优化BP神经网络模型的预测效能优于Logistic回归模型、BP神经网络模型、遗传优化BP神经网络模型，将粒子群优化BP神经网络应用在CWP结果预测上具有更高准确性。FEV1/FVC、工龄、工种是影响CWP的重要因素。<br>　　本研究受山西省第二批“四个一批”科技兴医创新计划项目资助。