[发明专利]一种2型糖尿病风险状态判定方法

权利要求书

1.一种2型糖尿病风险状态判定方法，其特征在于：包括以下步骤：

步骤1，将N个被评估对象作为样本集S，其中每个对象包含M个影响2型糖尿病发病的关键属性；将关键属性作为列，不同样本对应的属性值作为行，建立样本集S的矩阵表示；采用EM聚类方法对样本集S进行聚类，得到k个聚类簇；具体实现方法为：

步骤1.1，将N个对象根据是否含有缺失数据分为完全数据集X和缺失数据集Y；

步骤1.2，设置聚类簇个数k，以及样本集S的初始混合概率分布参数估计值θ_j表示第j个聚类簇的概率分布参数，π_j表示第i个样本n_i来自第j个聚类簇的可能性，j＝1,2，...,k，π₁+π₂+...+π_k＝1；k≤N，1≤i≤N；

步骤1.3，将步骤1.2给定的初始混合概率分布参数估计值Θ⁰代入缺失数据集Y，获得y_cb的后验分布概率为：

p(ycb|xab,Θ0)=πk0pycb(xab|θk0)Σk=1Mπk0pk(xab|θk0)]]>

其中x_ab∈X，y_cb∈Y，a表示完全数据样本对象，b表示完全数据样本各属性对应的数据，c表示缺失数据样本对象，b=1,2,...,M；

数据集Y的后验分布函数为：

p(Y|X,Θ0)=Πb=1Mp(ycb|xab,Θ0);]]>

步骤1.4，根据步骤1.3获得的后验分布函数，对完全数据的对数似然函数ln L(Θ|X，Y)求期望，得到M个期望值，用其代替缺失数据集Y中相应列数的各个缺失数据，得到新样本集Y＇；

所述lnL(Θ|X,Y)=lnp(x,y|Θ)=Σb=1Mlnp(xab|ycb)p(ycb);]]>

步骤1.5，根据步骤1.4计算获得的样本集Y＇以及完全数据集X，计算样本集S的最大似然参数Q(Θ,Θ⁰)：

Q(Θ,Θ⁰)=∑ln(L(Θ|X，Y)p(Y|X,Θ⁰))

步骤1.6，将Q(Θ,Θ⁰)极大化，得到Θ¹，满足Q(Θ¹，Θ⁰)=max Q(Θ，Θ⁰)，用Θ¹代替Θ⁰，代入步骤1.3；

步骤1.7，执行步骤1.3至步骤1.6的迭代过程α次，直至||Q(Θ^α+1,Θ^α)-Q(Θ^α,Θ^α-1)||<ε，停止迭代；得到的Θ^α作为k个聚类簇的混合概率分布参数估计值Θ；

步骤1.8，利用混合概率分布参数估计值Θ，分别计算各样本对象属于聚类簇j的后验条件概率密度值；按照样本与聚类簇的隶属概率最大的原则，把样本集S中的各个样本分入k个聚类簇；

步骤2，对步骤1得到的每个聚类簇分别采用C4.5分类方法进行决策树训练，获得k个决策树；

步骤3，针对每个属性，根据其在步骤2获得的k个决策树中出现的层数，以及在该层出现的次数和，计算该属性的层数系数；

对于样本集S，第b列属性的层数系数L_b为：

Lb=Σj=1kΣw=1λ+1(12wtw)Σw=1λ+1tw]]>

其中t_w表示在第w层出现了t次；

将层数系数作为衡量各属性影响2型糖尿病发病的作用程度，并选取L_b>δ的B个属性作为影响发病的主要属性集合U(U₁,U₂，...,U_B)，其中1<B＜M；

步骤4，将样本对象属于类别P记为P_d=1，属于类别Q记为P_d=0，将P_d作为因变量，步骤3获得的主要属性集合U对应的所有数据U_vz作为自变量，v=1,2,...,(g+h)，z=1,2,...,B，分别对步骤1获得的各个聚类簇中的样本对象进行Logistic回归建模，获得各主要属性对应的回归系数β_z，构建k个Logistic回归模型；

步骤5，根据步骤4获得的Logistic回归模型，计算各聚类簇中的样本对象属于类别P的概率，并将各个聚类簇中的样本对象按照年龄段和性别划分R组，计算每个聚类簇的各组样本对象的相对发病概率RR；通过ROC曲线获得人群相对发病概率阈值，然后比较个人RR值与阈值的大小，并结合代谢综合征判定方法，判定未患病的各样本对象的风险状态。将未患病样本对应的风险状态划分为四个等级：无风险、低风险、中风险和高风险；

所述相对发病概率阈值为[灵敏度+(1-特异度)]最大的RR值；

所述第v个样本对象的相对发病概率RR=样本v的患病概率/基线发病概率；其中患病概率为根据该样本对象对应的Logistic回归模型，计算得到的样本v属于类别P的概率；基线发病概率为将第r组中所有样本对象相应的关键属性集合U的数据均值带入相应Logistic回归模型计算得到的概率值；其中r=1，...,R，每个聚类簇获得R个基线发病概率值。