BP神经网络和决策树分析在重症手足口病临床早期预警指标中的应用

目的 探讨BP神经网络(back propagation neural network,BPNN)模型和穷举卡方自动交互诊断器(Exhaustive CHI-squared Automatic Interaction Detector,Exhaustive CHAID)算法模型在重症手足口病(hand-foot-mouth disease,HFMD)临床早期预警指标分析中的应用价值.方法 收集2017年4-7月河南郑州某医院收治的469例HFMD患儿流行病学资料,采用SPSS Modeler 18.0软件进行单因素logistic回归分析筛选出有统计学意义的变量,构建BPNN模型、Exhaustive CHAID算法模型与logistic回归模型,比较三种方法的差异.结果 在训练样本和测试样本中,BPNN模型预测正确率(95.28％,93.33％)、灵敏度(0.971,0.905)、约登指数(0.907,0.863)与受试者工作特征曲线下面积(receiver operating characteristic,ROC)(0.992、0.967)均高于Exhaustive CHAID算法模型和logistic回归模型.重症HFMD临床早期预警指标重要性依次为:易惊(0.18)、手足抖动(0.13)、呕吐(0.12)、精神差(0.07)、心率≥140次/min (0.05)、呼吸≥30次/min(0.05)、中性粒细胞比率升高(0.05)、血糖升高(0.05)、四肢发凉(0.04)、热峰≥39℃(0.04).结论 BPNN模型预测能力优于Exhaustive CHAID算法模型和logistic回归模型.