申宁宁
- 作品数：5 被引量：12H指数：2
- 供职机构：山西医科大学更多>>
- 发文基金：国家自然科学基金太原市科技计划项目国家杰出青年科学基金更多>>
- 相关领域：医药卫生环境科学与工程更多>>
- 纵向研究缺失数据多重填补及混合效应模型分析被引量：6
- 2015年
- 目的阐明马尔可夫链蒙特卡罗(MCMC)多重填补与重复测量资料混合效应线性模型分析的原理,完成纵向监测数据缺失模型的软件实现。方法根据222例高血压患者纵向监测的完全数据,产生缺失比例为18.92%的随机缺失数据集。应用MCMC多重填补方法,进行缺失值填补的模拟研究以及实例分析,并实现重复测量混合效应线性模型分析。结果模拟研究和实例分析表明,样本例数200,缺失比例20%,MCMC法多重填补5次所得结果最稳健;填补前缺失数据与完全数据的混合效应模型分析结果不同,填补后完整数据与完全数据的混合效应模型分析结果相同。结论 MCMC多重填补可以充分利用缺失资料信息,是处理缺失数据模型分析的有效方法之一;针对出现缺失的重复测量资料,结合应用混合效应模型与MCMC多重填补2种方法,从而得出更为符合客观实际的结果。
- 申宁宁房瑞玲高宇钊李少琼张军锋刘桂芬
- 关键词：缺失数据高血压
- 93例紫癜性肾炎临床病理分析
- 2018年
- 目的探讨紫癜性肾炎患者临床与病理的相关性。方法纳入山西医科大学第二医院确诊为紫癜性肾炎的93例患者，对其临床资料与肾脏病理损伤进行比较。结果（1）93例紫癜性肾炎患者中29例（31．2％）起病前有明显诱因，以感染多见。发病季节以春季为主。好发人群以〈20岁患者多见。所有患者均有典型的皮肤紫癜表现，部分患者有腹痛、消化道出血、关节肿痛症状。（2）93例紫癜性肾炎患者中病理分型以Ⅱ型、Ⅲ型多见，分别为30例（32．3％）和60例（64．5％）。87例紫癜性肾炎患者中免疫分型以IgA＋IgM＋IgG型为主，共36例（41．4％）。（3）93例紫癜性肾炎病理分型与年龄（P=0．042）、24h尿蛋白定量（P=0．041）、免疫分型（P=0．011）、IgA沉积强度（P=0．027）呈正相关，与肾小球滤过率（P=0．012）呈负相关。结论紫癜性肾炎患者的临床资料（如年龄、24h尿蛋白定量、肾小球滤过率等）与其肾脏病理损伤密切相关，通过对临床资料的分析可以评估肾脏损伤严重程度，对肾活检的选择、疾病的治疗及预后评估有一定指导意义。
- 郝敏李菲王晨王利华牛丹申宁宁
- 关键词：紫癜性肾炎病理分级
- 神经网络预后评价在脑胶质瘤患者术后生存质量分析中的应用被引量：3
- 2015年
- 目的构建COX比例风险预测模型与人工神经网络预测模型,对脑胶质瘤患者术后生存质量进行评价,为临床医师提供简单、准确的评估方法。方法收集2010年6月至2013年8月山西省肿瘤医院收治的58例脑胶质瘤患者的住院治疗及随访资料的年龄、性别、职业等人口学特征,患者入院时的症状、体征、核磁共振成像(magnetic resonance imaging,MRI)检查、病理诊断分型等,肿瘤切除程度、免疫组化检查及Karnofsky功能状态(Karnofsky performance status,KPS)评分等,筛选有意义因素,建立COX比例风险模型,采用预后指数分层和人工神经网络模型,预测患者术后1年生存质量;并采用ROC分析,对两种方法的预测能力进行评价。结果 COX比例风险模型分析表明,伴有癫痫、术前KPS评分、KI67、病理级别、肿瘤切除程度、血供、肢体活动障碍是影响脑胶质瘤患者术后生存质量的主要影响因素。COX比例风险预测模型的灵敏度为60.0%,特异度为83.3%;人工神经网络预测模型的灵敏度为80.0%,特异度为83.3%。结论人工神经网络模型的预测效果优于COX比例风险模型,人工神经网络可为临床医师评价脑胶质瘤患者术后生存质量提供个体化治疗方法。
- 李少琼赵晓军申宁宁高宇钊萨建刘桂芬
- 关键词：脑胶质瘤预后指数人工神经网络预后评价
- 纵向研究缺失数据多重填补及混合效应模型分析
- 目的： 全国社区高血压规范化管理项目中，根据社区高血压三级管理要求，对实施一级和二级管理的高血压患者在实施社区规范管理后，每隔三个月随访记录患者相关信息，管理监测一年内随访四次，从而获得高血压规范化管理纵向研究资料。由...
- 申宁宁
- 关键词：高血压混合效应模型监测数据
- 文献传递
- 太原市大气细颗粒物变化趋势与预测模型分析被引量：2
- 2015年
- 目的掌握和预警太原市大气中细颗粒物(PM2.5)日浓度的变化趋势,构建更为准确的预警模型,为改进环境质量,促进居民健康提供监测资料评价的方法学依据。方法收集2013年6月至2014年11月太原市逐日PM2.5网报数据,分析太原市18个月以来日报PM2.5的逐月逐日变动趋势,进一步揭示太原市大气中PM2.5日浓度现状;构建时间序列广义回归条件异方差模型[GARCH(1,1)],对太原市未来大气PM2.5浓度及等级进行短期预警。结果太原市大气中PM2.5日浓度变化易受季节的影响,夏秋季浓度低,冬春季浓度高;构建的GARCH(1,1)时序模型,可较好地预测未来短期内太原市大气PM2.5浓度;2014年实测数据与模型预测值分析趋势一致,2014年大气PM2.5浓度预测结果与去年同期相比基本一致。结论太原市大气PM2.5浓度季节波动明显,10月以后逐渐升高,以冬季为甚;太原市大气PM2.5浓度GARCH(1,1)时间序列模型,不仅有助于了解该地大气PM2.5浓度变化规律,且可作为环境大气质量预警的重要指标,预测效果良好,是环境质量监测数据评价的重要方法之一。
- 高宇钊房瑞玲李少琼申宁宁邓亚敏马彩云刘桂芬
- 关键词：空气污染物时间序列
