全文鏈接：http://tecdat.cn/?p=32295

原文出處：拓端數(shù)據(jù)部落公眾號(hào)

臨床決策(clinical?decision?making)是醫(yī)務(wù)人員在臨床實(shí)踐過(guò)程中，根據(jù)國(guó)內(nèi)外醫(yī)學(xué)科研的最新進(jìn)展,不斷提出新方案，與傳統(tǒng)方案進(jìn)行比較后,取其最優(yōu)者付諸實(shí)施，從而提高疾病診治水平的過(guò)程。

在臨床醫(yī)療實(shí)踐中，許多事件的發(fā)生是隨機(jī)的,對(duì)個(gè)體患者來(lái)說(shuō)治療措施的療效、遠(yuǎn)期預(yù)后常常是不確定的和不可準(zhǔn)確預(yù)測(cè)的，究竟何種選擇最好很難簡(jiǎn)單做出決定。

本文幫助客戶進(jìn)行決策分析NIPPV療效數(shù)據(jù)，在充分評(píng)價(jià)不同方案的風(fēng)險(xiǎn)及利益之后推薦一個(gè)最佳的方案，最大限度地保障患者權(quán)益，減少臨床實(shí)踐及衛(wèi)生決策失誤。

決策樹(shù)分析步驟

決策樹(shù)分析法是通過(guò)決策樹(shù)圖形展示臨床重要事件的可能發(fā)展過(guò)程及結(jié)局，比較各種備選方案的預(yù)期結(jié)果從而進(jìn)行擇優(yōu)決策的方法。決策樹(shù)分析法通常有6個(gè)步驟。

明確決策問(wèn)題，確定備選方案

對(duì)欲解決的問(wèn)題有清楚的界定,應(yīng)列出所有可能的備選方案。在決策樹(shù)上決策的選擇應(yīng)用決策結(jié)來(lái)代表，通常用方框表示，每個(gè)備選方案用從方框引出的臂表示，表示最終決策結(jié)果的決策結(jié)總是放在決策樹(shù)的最左端。

用樹(shù)形圖展示決策事件決策

樹(shù)的畫法是從左至右，可能發(fā)生的最終結(jié)局總是放在決策樹(shù)最右端,用小三角形表示，稱為結(jié)局結(jié)。每一種結(jié)局都是一系列機(jī)會(huì)事件按時(shí)間順序自然發(fā)展的結(jié)果，在決策樹(shù)上這種事件,用圓圈符號(hào)表示,稱為機(jī)會(huì)結(jié)。每一個(gè)機(jī)會(huì)事件的直接結(jié)局用與圓圈聯(lián)結(jié)的臂表示,不同機(jī)會(huì)結(jié)從左至右的順序是事件發(fā)生的時(shí)相關(guān)系的反映。一個(gè)機(jī)會(huì)結(jié)可以有多個(gè)直接結(jié)局，從每個(gè)機(jī)會(huì)結(jié)引出的結(jié)局必須是獨(dú)立、互不包容的狀態(tài)。

標(biāo)明各種事件可能出現(xiàn)的概率

每一種事件出現(xiàn)的可能性用概率表示，一般應(yīng)從質(zhì)量可靠的文獻(xiàn)中查找并結(jié)合專家的臨床經(jīng)驗(yàn)及本單位情況進(jìn)行推測(cè)。從每一個(gè)事件發(fā)生的各種后續(xù)事件的可能性服從概率論的加法定律，即每一個(gè)機(jī)會(huì)結(jié)發(fā)出的直接結(jié)局的各臂概率之和必須為1.0。

對(duì)最終結(jié)局賦值

可用效用值為最終結(jié)局賦值，效用值是對(duì)患者健康狀態(tài)偏好程度的測(cè)量,通常應(yīng)用0~1的數(shù)字表示,最好的健康狀態(tài)為1,死亡為0。有時(shí)可以用壽命年、質(zhì)量調(diào)整壽命年表示。

計(jì)算每一種備選方案的期望值

計(jì)算備選方案期望值的方法是從“樹(shù)尖”開(kāi)始向“樹(shù)根”的方向（從右向左）進(jìn)行計(jì)算，效用值與其發(fā)生概率的乘積即是期望效用值，每個(gè)機(jī)會(huì)結(jié)的期望效用值為該機(jī)會(huì)結(jié)所有可能事件的期望效用值之總和。在決策樹(shù)中如果有次級(jí)決策結(jié)時(shí)，與機(jī)會(huì)結(jié)期望效用值的計(jì)算方法不同，只能選擇可提供最大期望效用值的決策臂，而忽略其他臂。最后,選擇期望值最高的備選方案為決策方案。

對(duì)結(jié)論進(jìn)行敏感性分析

由于臨床實(shí)踐中的事件發(fā)生概率值及健康狀態(tài)的效用值等都可能在一定范圍內(nèi)變動(dòng)，需要進(jìn)行敏感性分析。敏感性分析要回答的問(wèn)題是:當(dāng)概率及結(jié)局效用值等在一個(gè)合理的范圍內(nèi)變動(dòng)時(shí)，決策分析的結(jié)論方向會(huì)改變嗎?敏感性分析的目的是測(cè)試決策分析結(jié)論的穩(wěn)定性。

NIPPV療效數(shù)據(jù)

剔除缺失數(shù)據(jù)

datanew=**na.omit**(datanew)

建立決策樹(shù)：療效

datanew.train1=datanew.train[train2,] ?datanew.train2=datanew.train[-train2,]

剪枝

CARTmodel1 =?**rpart**( (療效) ~.

**printcp**(CARTmodel1)

不剪枝

輸出決策樹(shù)cp值

根據(jù)cp值對(duì)決策樹(shù)進(jìn)行剪枝

able[**which.min**(CARTmodel$c**prune**(CARTmodel, cp=?C

?

對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)

得到訓(xùn)練集混淆矩陣準(zhǔn)確度和MSE

#########################################準(zhǔn)確度 ?**sum**(**diag**(tab))/**sum**(tab)## [1] 0.7755102###############################################MSE############## ? ?MSE=function(y,pred)**sqrt**(**mean**(**as.numeric**(y)-**as.numeric**(pred))^2) ? ?**MSE**(tree.pred,datanew.test$療效)## [1] 0.06122449

用predict的算下錯(cuò)率

預(yù)測(cè)分類號(hào)

輸出結(jié)果到excel

**brules.table**(CARTmodel2)[,**c**("Subrule","Variable","Value")]

變量重要程度

隨機(jī)森林

變量重要程度

**importance**(rf)

**plot**(d,center=TRUE,leaflab=

混淆矩陣

?

###########################################準(zhǔn)確率 ?**sum**(**diag**(tab))/**sum**(tab)## [1] 0.8163265*# [1] 0.7755102* ? ?###############################################MSE############## ?**MSE**(**predict**(rf,datanew.test),datanew.test$療效)## [1] 0.02040816

預(yù)測(cè)分類號(hào)

邏輯回歸模型

M2 <-?**glm**(formula =?療效 ~?.,fami

迭代回歸之前的回歸模型參數(shù)

迭代回歸后的模型參數(shù)

邏輯回歸預(yù)測(cè)

#########################################準(zhǔn)確度 ?**sum**(**diag**(tab))/**sum**(tab)## [1] 0.7755102##############################################預(yù)測(cè)分類號(hào) ?pred## ??2 ??3 ??9 ?13 ?14 ?15 ?17 ?22 ?23 ?26 ?29 ?30 ?32 ?35 ?38 ?39 ?42 ?44 ?## ??1 ??1 ??1 ??1 ??1 ??1 ??1 ??1 ??1 ??2 ??1 ??1 ??2 ??2 ??1 ??1 ??1 ??2 ?## ?52 ?53 ?56 ?57 ?60 ?61 ?63 ?64 ?66 ?68 ?69 ?79 ?83 ?87 ?88 ?92 ?94 ?99 ?## ??1 ??2 ??1 ??1 ??1 ??2 ??1 ??1 ??2 ??1 ??1 ??2 ??1 ??2 ??2 ??1 ??2 ??1 ?## 102 105 106 108 109 112 113 118 123 134 139 140 143 ?## ??2 ??2 ??2 ??2 ??2 ??2 ??1 ??1 ??1 ??2 ??2 ??2 ??1

交叉驗(yàn)證

決策樹(shù)交叉驗(yàn)證

cv.model=**cv.tree**(cpus.ltr, , prune.tree,K =10) ? best.size <-?cv.model$size[**which**(cv.model$dev==**min**(cv.model$dev))] *# wh*

十折交叉驗(yàn)證

k=10 ?for(kk in 1:k){ ? ??index=**sample**(1:**dim**(data)[1],**floor**(**dim**(data)[1]*(1/k)),replace=F) *#篩選樣本* ???test=**as.data.frame**(data[index,]) *#訓(xùn)練集* ? ? ?*#正確率* ?precisek/k## [1] 0.7285714

隨機(jī)森林交叉驗(yàn)證

**rfcv**(**na.omit**(datanew.train), **na.omit**(datanew.train)$療效, cv.fold=10)

十折交叉驗(yàn)證

*#正確率* ?precisek/k## [1] 0.8424495

邏輯回歸交叉驗(yàn)證

(cv.err <-?**cv**

summary(cv.err)

十折交叉驗(yàn)證

*#正確率* ?precisek/k## [1] 0.6416667

最受歡迎的見(jiàn)解

1.R語(yǔ)言分布式滯后非線性模型（DLNM）空氣污染研究溫度對(duì)死亡率影響建模

2.R語(yǔ)言分布滯后線性和非線性模型（DLNM）分析空氣污染（臭氧）、溫度對(duì)死亡率時(shí)間序列數(shù)據(jù)

3.R語(yǔ)言群組變量選擇、組懲罰GROUP LASSO套索模型預(yù)測(cè)分析新生兒出生體重風(fēng)險(xiǎn)因素?cái)?shù)據(jù)和交叉驗(yàn)證、可視化

4.R語(yǔ)言邏輯回歸、隨機(jī)森林、SVM支持向量機(jī)預(yù)測(cè)FRAMINGHAM心臟病風(fēng)險(xiǎn)和模型診斷可視化

5.R語(yǔ)言非線性混合效應(yīng) NLME模型(固定效應(yīng)&隨機(jī)效應(yīng))對(duì)抗哮喘藥物茶堿動(dòng)力學(xué)研究

6.R語(yǔ)言使用限制平均生存時(shí)間RMST比較兩條生存曲線分析肝硬化患者

7.分類回歸決策樹(shù)交互式修剪和更美觀地可視化分析細(xì)胞圖像分割數(shù)據(jù)集

8.PYTHON深度學(xué)習(xí)實(shí)現(xiàn)自編碼器AUTOENCODER神經(jīng)網(wǎng)絡(luò)異常檢測(cè)心電圖ECG時(shí)間序列

9.R語(yǔ)言如何在生存分析與Cox回歸中計(jì)算IDI，NRI指標(biāo)