基于双稳健共享参数Joint模型的脑卒中早期关键风险因素推断研究

Stroke pose a serious threat to human health and its pathogenesis and mechanism is not yet clear. However, stroke can be effectively prevented and controlled. A moderate decrease in risk factors can result in significant reduction of the morbidity and mortality of stroke. However, the early key risk factors or specific risk factors for the onset of stroke are still unclear. In our previous study, we found that the parameter sharing Joint model could effectively estimate the relationship between the longitudinal dynamic change trajectory of the risk factors and the disease. In addition, the method of calibrating the baseline level of the longitudinal variables by the propensity score can improve the robustness of the parameter sharing Joint model. Accordingly, we put forward the hypothesis that the double robust parameter sharing Joint modeling technique can be applied to identify the key risk factors of stroke, which has not been reported at home and abroad. To confirm the research hypothesis, we first use the propensity score method, elastic network method and other techniques to perform the double-robust optimization design of the parameter-sharing Joint model. Then we use this double-robust parameter-sharing Joint model to infer the early key risk factors for stroke. This topic will identify the key risk factors of early onset of stroke from a new perspective and provide a new target for the effective prevention and treatment of other chronic diseases.

脑卒中严重威胁人类健康，其发病原因与机制目前尚不清楚，但脑卒中又是一类可有效预防和控制的疾病。适度降低危险因素，可显著降低脑卒中发病率和死亡率。目前引发脑卒中的早期关键风险因子或特异性风险因素仍不清楚。我们在前期研究中发现，共享参数Joint模型可有效估计危险因素纵向动态变化轨迹与疾病发生之间的关联性；采用倾向指数方法对纵向变量基线水平进行平衡性校正，可提高共享参数Joint模型的稳健性。据此我们提出，对共享参数Joint模型进行优化设计，并将其用于推断脑卒中发病早期关键风险因素的研究假说，该假说迄今国内外未见报道。为证实该研究假说，我们首先采用倾向指数法、弹性网等技术对共享参数Joint模型进行双稳健优化设计，然后借助该双稳健共享参数 Joint模型建模技术对脑卒中发病早期关键风险因素进行推断研究。本课题将从新的视角对脑卒中进行病因推断研究，可为其他慢性病的有效防治提供新思路。

本项目主要完成以下工作：（1）采用文献检索法，对2000-2020年期间发表的有关脑卒中发病风险因素的文献进行了系统检索分析，筛选了目前已知的脑卒中发病风险因素。（2）通过模拟数据和临床实际数据探讨分析了纵向随访数据缺失值填补方法，对比分析了马尔科夫蒙特拉罗法与期望最大化算法的填补效果。（3）探索分析了逆概率加权倾向评分法在两组及多组基线资料协变量平衡中效果。（4）结合临床随访数据分布复杂、数据类型多样化及样本量小等特点，本项目基于临床实际数据，分别探讨研究了针对正态分布资料的标准联合模型、针对数据具有异质性特点的潜在类别模型、针对数据资料存在重尾或异常值情况时的分位数回归联合模型、针对小样本纵向随访生存数据的贝叶斯联合模型的构建及评价。（5）基于临床实际数据，分别采用标准联合模型、潜在类别联合模型、分位数回归联合模型和贝叶斯联合模型，探索分析了脑卒中发病关键风险因素。本项目在研究成果方面完成了预期计划，研究期间共发表了16篇相关论文，其中SCI论文9篇，中文核心期刊论文7篇。协助培养博士研究生2名，硕士研究生6名。基于该项目的研究基础，申报并获批山东省高等学校青年创新团队项目1项，该项目的研究工作仍在深入继续开展。.科学意义：本项目提出的基于不同参数化的联合模型建模方法在慢性病多病因探讨研究中提供了新思路。

内容获取失败，请点击重试