老年痴呆症纵向随访数据的混合效应神经网络模型研究

Alzheimer’s disease (AD) affects patient’s life ability severely and become a heavy burden to society and families. Along with getting into aging society rapidly, AD will be a severe public health issue in China. At present, there are many epidemiological follow-up studies about AD and a lot of longitudinal data are accumulated. However, it is a difficulty to treat these data in statistics. In usual, conventional linear mixed models are used to treat the longitudinal data. However, the specific distribution of data and the linear trend of disease development are assumed when linear mixed models are applied to treat these data. Unfortunately, these assumptions are not meet by follow-up data of many chronic diseases including AD, and then the application of conventional linear mixed models is restricted in that case. Lacking of applicable statistical methods is an obstacle to utilize longitudinal data. Aim at this specific issue, this study will explore a new model which applies a mixed effects neural network to treat longitudinal data. The basic idea is that combining the theory of linear mixed model with the technology of neural networks, in order to utilize the flexibility of neural networks and the capability of treating the random effect of linear mixed model. The methodology provides a new idea for treating AD longitudinal follow-up data. This study has great significance on the aspects of utilizing longitudinal follow-up data adequately, predicting the course of the disease accurately, improving the healthcare to the patients.

老年痴呆症（AD）严重影响病人的生活能力，给社会和家庭带来沉重的负担。随着我国加速进入老龄化社会，AD将成为一个严重的公共卫生问题。有关AD的流行病学研究很多，积累了大量的纵向随访数据，但该类数据的分析一直是统计学的难点。目前大多采用传统的线性混合模型来处理。该模型对数据的分布要求严格，且假定疾病是线性进展的。然而，AD等慢性疾病的随访数据一般并不符合上述假定，采用线性混合模型受到很大的限制。缺乏合适的统计分析方法，已经成为合理利用纵向随访数据的一个障碍。本项目针对这一具体问题，探索一种应用混合效应神经网络模型处理纵向随访数据的新模式。基本思想是将线性混合模型原理与神经网络技术相结合，达到既可以利用神经网络的灵活性，又可以处理随机效应的目的，为纵向随访数据的分析提供一个新思路。本研究在合理利用纵向随访数据，准确预测AD疾病的进展阶段，提高病人的照顾质量等方面具有重要的科学意义和实用价值。

老年痴呆症（AD）纵向随访数据的分析一直是统计学的一个难点。由于不满足某些假定，线性混合模型的应用受到一定的限制。本项目探索了一种应用混合效应神经网络模型处理纵向随访数据的新模式。本研究首先筛选了影响老年人认知功能的危险因素，年龄、性别、随访次数（时间相关）、教育程度、脑外伤、中风史有统计学意义，种族、家族史、饮酒、糖尿病、吸烟等因素是潜在的危险因素。然后建立了BP和RBF神经网络模型，以上述危险因素的主成分作为输入变量，评估了神经网络模型预测老年人认知功能的效果。结果表明，BP神经网络和RBF神经网络都能够较好的拟合训练样本。与BP神经网络预测模型相比，RBF预测模型的训练速度和逼近能力更强，在预测AD的疾病进展时精度更高，但上述两个模型不能够估计随机效应。在文献基础上，我们构建了混合效应神经网络模型（MENN），并进行了专家咨询，在理论上明确了模型的合理性和可行性。采用模拟方法评估了MENN处理不同的非线性情形、不同类型的缺失、各测量点之间不同的相关关系的效果，结果表明MENN网络模型能够较好的处理数据的非线性及缺失值。在理论研究的基础上进行了实证研究，以实际NACC随访数据训练MENN网络，建立了AD预测模型，并与传统GLMM/GEE模型的预测结果进行比较。结果表明混合效应神经网络能够较好的捕获AD随访数据的非线性特征，实现较好的预测效果，错分率在5%-17%之间（全距12%）。相比于GLMM、GEE模型，混合效应神经网络的预测精度更高。但由于实际MMSE得分的变异很大，导致MENN错分率仍然较高。研究结论为，混合效应神经网络模型适合纵向随访数据的统计分析，且能实现较好的预测效果，为老年痴呆症随访数据的分析提供了一种比传统方法更加灵活的模型范例。本研究在合理利用纵向随访数据，准确预测AD疾病的进展阶段，提高病人的照顾质量等方面具有重要的科学意义和实用价值。