内容字号:默认大号超大号

段落设置:段首缩进取消段首缩进

字体设置:切换到微软雅黑切换到宋体

原发性高血压合理用药类别筛选模型的建立和检验

2020-08-03 10:01 出处:未知 人气: 评论(0
  摘要目的:建立原发性高血压合理用药类别筛选模型并检验其在实践中的应用。方法:抽取大连医科大学附属第二医院2017年3月至2018年12月心内科门诊和住院的原发性高血压患者的医嘱记录,共计4 597条,再从以上记录中筛选出满足纳入标准的549条记录,医嘱记录均为高血压治疗达标患者,且为单药治疗,患者信息完整。判别分析模型建立过程中,分组变量的选择是根据管理学80/20法则找出占比例80%以上的药物分类,自变量的选择是采用单变量分析的方法筛选。用549条记录中的384条(70%)建立模型,求解判别函数,剩余165条(30%)用于训练模型,以验证模型的预测效果。结果:分析得出,纳入病例中血管紧张素类、β受体阻滞剂类、钙拮抗类三类药品的应用合占所有用药类别的94%,将它们作为判别分析的分组变量,然后,从10个自变量中采用单变量分析方法筛选出对用药分类筛选具有显著统计学意义的自变量,结果年龄、就诊时情况、既往用药和主要合并疾病被选为自变量(P<0.05),用于建模,模型拟合良好,可以进行原发性高血压合理用药类别筛选。通过验证,该模型的准确率在50%左右。结论:原发性高血压合理用药类别筛选模型可提高原发性高血压治疗中的合理用药水平。
 
  关键词原发性高血压;判别模型;合理用药;用药筛选
 
  原发性高血压是最常见的心脑血管疾病之一,是冠状动脉性心脏病、脑卒中、肾衰竭及糖尿病的重要危险因素,已成为世界重大的公共卫生问题之一[1],估计已有超过10亿患者[2],我国约有2亿高血压患者,约占全球高血压患者总数的20%[3],且仍以每年1 000万人的数量增长。高血压病存在患病率高、死亡率高、致残率高、知晓率低、治疗率低、控制率低的“三高、三低”特征,因此很多高血压不能得到有效的控制,其中不乏患者用药依从性问题,但是也不可避免的存在抗高血压药物选择方面的问题。从我国某些局部调查来看,吉林省2012年高血压控制率为7.9%[4],河南省西平县2012年高血压有效控制率为13.16%[5],因此高血压在我国的有效控制是一个巨大的挑战[6]。高血压常伴发心、脑、肾等多种靶器官损害,且这种损害多不可逆,严重影响患者生活质量,因此,如何合理使用有效药物控制高血压已迫在眉睫。为了深入探讨这一问题,特别是抗高血压药物类别的合理筛选问题,我们需要建立一个合适的数学模型来更高效、更准确的筛选药物,提高药物选择的准确性,更加合理的控制患者血压,从而更好的服务于医生和患者。本文通过构建判别函数的方法建立模型、评价模型,将模型用于原发性高血压病人用药类别预测,以期更好的控制患者血压,与临床经验用药相比具有一定科学性。
 
  判别分析又称线性判别分析(Linear Discriminant Analysis)是利用已知类别的样本建立判别模型,利用该模型对未知类别的样本判别的一种统计方法。其基本原理是按照一定标准,利用已知类别数据总结客观事物分类的规律性,建立一个或多个判别函数,求解系数,构建判别方程,据此即可确定某一未知分类样本属于何类。针对本文,通过抽取血压控制良好的原发性高血压患者,已知他们的用药分类,来作为判别分析的判别依据,建立判别模型。通过该模型对某些一般情况已知的原发性高血压患者进行用药类别判别,提高用药筛选的效率。
 
  1资料与方法
 
  1.1资料来源及处理
 
  数据来自大连医科大学附属第二医院信息系统(Hospital Information System,HIS)。从数据库调取2017年3月至2018年12月心内科门诊及住院原发性高血压患者的医嘱记录,共计4 597条,再从以上记录中筛选出满足纳入标准的549条记录,利用随机数字选择所有记录中的384条(70%)用于建立典型判别模型,剩余165条(30%)用于训练模型,考察模型的准确率。本研究经过本院医学伦理委员会的批准。
 
  1.2纳入与排除标准
 
  纳入标准:(1)患者均符合《中国高血压防治指南》(2018)、以及《中国心血管病预防指南》(2017)对原发性高血压的诊断标准[7-8](2)患者采取单药治疗高血压;(3)患者经服药治疗后血压达标,即血压<140/90 mmHg[9-10];(4)患者已确定高血压严重级别[9-10];(5)患者意识清醒,有自主能力。存在既往史者,能够准确描述与高血压相关的某些常见合并疾病如冠心病、脑血管病、糖尿病、心律失常、血脂异常[11-12]。排除标准:(1)继发性高血压;(2)基本信息不完整的记录;(3)不遵医嘱服药者、不遵医嘱定期复查者。
 
  1.3统计方法
 
  1.3.1分组变量和自变量的筛选
 
  用饼图分析549例纳入患者用药结构,根据管理学中的80/20法则将最常用的若干种抗高血压药物类别作为分组变量。
 
  经查阅文献和征求专家意见,并结合本院所能提取的数据库字段的实际情况,最后确定年龄、性别、民族、婚姻状况、职业、医疗付款方式、就诊时情况、既往用药、遗传和主要合并疾病为研究因素,通过单变量的自变量筛选,具体筛选方法是进行三组资料的比较,计量资料采用单向方差分析,计数资料采用卡方检验。剔除掉无统计学意义的因素,将有统计学意义的因素作为自变量进行构建典型判别函数。P<0.05表示差异有统计学意义。
 
  1.3.2判别模型的构建
 
  采用SPSS 13.0进行统计学判别模型的构建,按判别分析统计规则,经SQL数据库整合数据,筛选出549条记录,随机选择其中70%(384条)作为建立原发性高血压合理用药类别筛选模型的基础数据,采用ENTER法构建典型判别函数,对样本进行描述性统计,对典型判别函数进行方差解释和显著性检验,建立典型判别公式,以检验典型判别模型效果,结合标准化系数和结构矩阵,考察自变量对分组变量的作用程度,最后给出典型判别方程,绘制典型判别函数区域图。
 
  1.3.3判别模型的检验
 
  将549条记录中余下的30%(165条)作为训练数据,比较判别结果和观察结果的相符性,计算出模型的判别准确率,用于判别模型和判别公式的结果验证。
 
  2结果
 
  2.1纳入患者的一般情况
 
  本研究中包括门诊患者276人,住院患者108人,通过医院His系统收集门诊及住院患者姓名、性别、年龄、民族、医保类别等个人基本信息,并在门诊及住院病历中收集患者既往史、个人史、用药史等诊疗信息。
 
  纳入的患者年龄(59.35±14.42)岁;性别(男174人,女210人);用药后收缩压(129.91±13.47)mmHg,舒张压(78.29±9.52)mmHg,血压均达到控制标准[9-10];身高(166.69±9.49)cm;体质量(73.09±14.62)kg;就诊时高血压病3级93人,高血压病2级及以下291人;患者既往用药:血管紧张素类25人、β受体阻滞剂类15人、钙拮抗类61人、利尿剂9人、联合用药66人、未正规用药208人;在合并疾病中,血脂异常者125人,冠心病18人、脑血管病56人、糖尿病58人、心律失常22人、其他疾病3人以及无合并疾病102人。
 
  2.2建模结果
 
  2.2.1分组变量和自变量的确定
 
  在筛选出的549条记录中,经统计得到血管紧张素类、β受体阻滞剂类、钙拮抗类这三类药物使用频次最多,占所有用药类别的94%,将其作为典型判别分析的分组变量详见图1。
  将患者一般情况进行统计分析,采用单变量筛选的方法筛选出年龄、入院时情况、既往用药、主要合并疾病四项作为自变量(P<0.05),并报告各项的相关统计量和P值,见表1,表1中的医疗付款方式是根据我国《中国社会保障》有关规定进行分类的;职业根据我国《中华人民共和国劳动法》有关规定进行分类;就诊时高血压病3级为病情严重,高血压病2级及以下为一般[9-10];主要合并疾病病种的选择主要依据参考文献所提及的与高血压关系密切的合并症[13-14]。

  2.2.2构建判别模型
 
  采用ENTER法构建典型判别模型后,函数解释了所有变异的94.9%,且在0.05水平上具有显著统计学意义,从而可以接受此典型判别函数的建立。标准化系数和结构矩阵的结果证明年龄、就诊时情况、既往用药、主要合并疾病这4项对典型判别结果的相对作用均较大,自变量赋值见表2,也从另一个侧面证明了本次典型判别自变量选择的合理性,典型判别方程如下:
 
  Y1=-0.023X年龄-0.186X主要合并疾病-0.033X既往用药+2.195X就诊时情况-1.480 Y2=-0.008X年龄+0.478X主要合并疾病+0.032X既往用药+0.604X就诊时情况-2.332 SPSS软件给出的典型判别分析的区域图见图2所示。
 
分享给小伙伴们:
本文标签:

相关文章

评论

发表评论愿您的每句评论,都能给大家的生活添色彩,带来共鸣,带来思索,带来快乐。

签名: 验证码: 点击我更换图片

评论列表

    Copyright © 2020 医药论文投稿_药学论文网 版权所有

    在线客服系统