高尿酸血症危险因素的数据挖掘及关联规则研究

doi:10.3877/cma.j.issn.1674-0785.2020.10.017

目的

使用关联规则的数据挖掘方法研究分析高尿酸血症危险因素的关联性及关联强度。

方法

将调查的3 724例患者和社区居民的临床情况作为数据集，使用IBM SPSS Statistic19.0软件中的Apriori算法对数据集进行分析。

结果

在3 724名调查人群中，高尿酸血症占样本的13.32%，三酰甘油、肌酐、尿素氮和总胆红素异常分别占25.76%、7.90%、13.91%和13.56%，高尿酸血症患病率分别为20.24%、43.70%、22.28%和20.72%。关联规则分析结果显示，高血压（χ²=34.01，P＜0.001）、糖尿病（χ²=9.07，P=0.003）、三酰甘油（χ²=20.38，P＜0.001）、总胆红素（χ²=57.03，P＜0.001）、谷丙转氨酶（χ²=6.156，P=0.017）、肌酐（χ²=102.71，P＜0.001）和尿素氮（χ²=72.82，P＜0.001）有统计学显著性差异；而血糖（χ²=0.369，P=0.584）、总胆固醇（χ²=1.081，P=0.326）和谷草转氨酶转氨酶（χ²=3.656，P=0.074）无统计学差异。

结论

高血压、肌酐、三酰甘油和总胆红素是高尿酸血症的危险因素，高尿酸血症与高血压密切相关，是高血压的独立危险因素和预测因素。

关键词: 关联规则, 高尿酸, 数据挖掘, 患病率

Objective

To analyze the association and correlation strength of risk factors for hyperuricemia using data mining and association rule mining.

Methods

The clinical data of 3724 patients and community residents were taken as the data set. The Apriori algorithm of IBM SPSS Statistic19.0 was used to analyze the data set.

Results

Approximately 13.32% of the patients had hyperuricemia. Abnormal triglycerides, creatinine, urea nitrogen, and total bilirubin occurred in 25.76%, 7.90%, 13.91%, and 13.56% of the patients, respectively. The prevalence of hyperuricemia in patients with abnormal triglycerides, creatinine, urea nitrogen, and total bilirubin was 20.24%, 43.70%, 22.28%, and 20.72%, respectively. Association rule analysis showed that hypertension (χ²=34.009, P＜0.001), diabetes (χ²=9.075, P=0.003), triglycerides (χ²=20.388, P＜0.001), total bilirubin (χ²=57.032, P＜0.001), ALT (χ²=6.156, P=0.017), creatinine (χ²=102.707, P＜0.001), and urea nitrogen (χ²=72.818, P＜0.001) were significantly different, although there were no significant differences in blood glucose (χ²=0.369, P=0.584), total cholesterol (χ²=1.081, P=0.326), and AST (χ²=3.656, P=0.074).

Conclusion

Hypertension, Cr, TG, BUN, and total bilirubin are risk factors for hyperuricemia. Hyperuricemia is closely related to hypertension and is an independent risk factor and predictive factor for hypertension.

Key words: Association rule, Hyperuricemia, Data mining, Prevalence

表1 数据定义

变量	赋值
尿酸值是否高于420 μmol/L	是=1，否=0
是否高血压	是=1，否=0
是否糖尿病	是=1，否=0
血糖（mmol/L）	≥6为1，＜6为0
总胆固醇（mmol/L）	≥5.2为1，＜5.2为0
三酰甘油（mmol/L）	≥1.88为1，＜1.88为0
总胆红素（μmol/L）	≥17.1为1，＜17.1为0
谷丙草转氨酶（U/L）	≥35为1，＜35为0
谷草转氨酶（U/L）	≥35为1，＜35为0
肌酐（μmol/L）	≥97.5为1，＜97.5为0
尿素氮（mmol/L）	≥7.14为1，＜7.14为0

表1 数据定义

变量	赋值
尿酸值是否高于420 μmol/L	是=1，否=0
是否高血压	是=1，否=0
是否糖尿病	是=1，否=0
血糖（mmol/L）	≥6为1，＜6为0
总胆固醇（mmol/L）	≥5.2为1，＜5.2为0
三酰甘油（mmol/L）	≥1.88为1，＜1.88为0
总胆红素（μmol/L）	≥17.1为1，＜17.1为0
谷丙草转氨酶（U/L）	≥35为1，＜35为0
谷草转氨酶（U/L）	≥35为1，＜35为0
肌酐（μmol/L）	≥97.5为1，＜97.5为0
尿素氮（mmol/L）	≥7.14为1，＜7.14为0

表2 Apriori算法分析结果

后项	前项	支持度＞5%	信赖度＞20%	规则置信度	增益
高尿酸血症	三酰甘油	25.76	20.24	5.219	1.502
高尿酸血症	三酰甘油	18.82	21.62	4.609	1.598
	高血压	18.82	21.62	4.609	1.598
高尿酸血症	肌酐	7.90	43.70	3.450	3.229
高尿酸血症	肌酐	5.72	47.51	2.742	3.510
	高血压	5.72	47.51	2.742	3.510
高尿酸血症	尿素氮	13.91	22.28	3.118	1.646
高尿酸血症	尿素氮	9.62	25.06	2.410	1.851
	高血压	9.62	25.06	2.410	1.851
高尿酸血症	尿素氮	5.75	21.15	1.215	1.563
	高血糖	5.75	21.15	1.215	1.563
高尿酸血症	总胆红素	13.56	20.72	2.808	1.531
高尿酸血症	总胆红素	8.98	23.15	2.079	1.711
	高血压	8.98	23.15	2.079	1.711

表2 Apriori算法分析结果

后项	前项	支持度＞5%	信赖度＞20%	规则置信度	增益
高尿酸血症	三酰甘油	25.76	20.24	5.219	1.502
高尿酸血症	三酰甘油	18.82	21.62	4.609	1.598
	高血压	18.82	21.62	4.609	1.598
高尿酸血症	肌酐	7.90	43.70	3.450	3.229
高尿酸血症	肌酐	5.72	47.51	2.742	3.510
	高血压	5.72	47.51	2.742	3.510
高尿酸血症	尿素氮	13.91	22.28	3.118	1.646
高尿酸血症	尿素氮	9.62	25.06	2.410	1.851
	高血压	9.62	25.06	2.410	1.851
高尿酸血症	尿素氮	5.75	21.15	1.215	1.563
	高血糖	5.75	21.15	1.215	1.563
高尿酸血症	总胆红素	13.56	20.72	2.808	1.531
高尿酸血症	总胆红素	8.98	23.15	2.079	1.711
	高血压	8.98	23.15	2.079	1.711

表3 高尿酸血症影响因素的χ²检验分析表

因素		病例组	对照组	P值
高血压	1	465	370	＜0.001
	0	147	242
糖尿病	1	75	113	0.003
	0	537	499
血糖	1	207	197	0.584
	0	405	415
总胆固醇	1	253	271	0.326
	0	359	341
三酰甘油	1	236	162	＜0.001
	0	376	450
总胆红素	1	127	37	＜0.001
	0	485	575
谷丙转氨酶	1	58	35	0.017
	0	554	577
谷草转氨酶	1	40	25	0.074
	0	572	587
肌酐	1	156	29	＜0.001
	0	456	583
尿素氮	1	141	36	＜0.001
	0	471	576

表3 高尿酸血症影响因素的χ²检验分析表

因素		病例组	对照组	P值
高血压	1	465	370	＜0.001
	0	147	242
糖尿病	1	75	113	0.003
	0	537	499
血糖	1	207	197	0.584
	0	405	415
总胆固醇	1	253	271	0.326
	0	359	341
三酰甘油	1	236	162	＜0.001
	0	376	450
总胆红素	1	127	37	＜0.001
	0	485	575
谷丙转氨酶	1	58	35	0.017
	0	554	577
谷草转氨酶	1	40	25	0.074
	0	572	587
肌酐	1	156	29	＜0.001
	0	456	583
尿素氮	1	141	36	＜0.001
	0	471	576

表4 高尿酸血症影响因素的Logistic回归分析结果

因素	β	SE	Wald	P值	OR值	95%CI
高血压	0.628	0.140	20.093	＜0.001	1.874	1.424	2.467
糖尿病	0.646	0.186	12.099	0.001	0.524	0.364	0.754
三酰甘油	0.660	0.140	22.079	＜0.001	1.935	1.469	2.548
总胆红素	1.444	0.209	47.806	＜0.001	4.237	2.814	6.379
谷丙草转氨酶	0.402	0.242	2.758	0.097	1.495	0.930	2.403
肌酐	1.689	0.225	56.541	＜0.001	5.413	3.485	8.406
尿素氮	1.336	0.214	38.858	＜0.001	3.805	2.500	5.792

表4 高尿酸血症影响因素的Logistic回归分析结果

因素	β	SE	Wald	P值	OR值	95%CI
高血压	0.628	0.140	20.093	＜0.001	1.874	1.424	2.467
糖尿病	0.646	0.186	12.099	0.001	0.524	0.364	0.754
三酰甘油	0.660	0.140	22.079	＜0.001	1.935	1.469	2.548
总胆红素	1.444	0.209	47.806	＜0.001	4.237	2.814	6.379
谷丙草转氨酶	0.402	0.242	2.758	0.097	1.495	0.930	2.403
肌酐	1.689	0.225	56.541	＜0.001	5.413	3.485	8.406
尿素氮	1.336	0.214	38.858	＜0.001	3.805	2.500	5.792

1	王华, 胡学钢. 医学数据挖掘中的数据预处理与Apriori算法改进 [J]. 计算机系统应用, 2009, 18(9): 94-97.
2	Boytcheva S, Angelova G, Angelov Z, et al. Text Mining and Big Data Analytics for Retrospective Analysis of Clinical Texts from Outpatient Care [J]. Cybernetics & Information Technologies, 2015, 15(4): 58-77.
3	Roughley MJ, Belcher J, Mallen CD, et al. Gout and risk of chronic kidney disease and nephrolithiasis: metaanalysis of observational studies [J]. Arthritis Res Ther, 2015, 1(17): 90.
4	Liu WC, Hung CC, Chen SC, et al. Association of hyperuricemia with renal outcomes, cardiovascular disease, and mortality [J]. Clin J Am Soc Nephrol, 2012, 7(4): 541-548.
5	Wei CY, Sun CC, Wei JC,et al. Association between hyperuricemia and metabolic syndrome: an epidemiological study of a labor force population in Taiwan [J]. Biomed Res Int, 2015, 2015: 369179.
6	Witten I H, Frank E. Data mining: practical machine learning tools and techniques [J]. Acm Sigmod Record, 2005, 31(1): 76-77.
7	Dhanaseelan R, Jeya SM. Diagnosis of coronary artery disease using an efficient hash table based closed frequent item sets mining [J]. Med Biol Eng Comput, 2018, 56(5): 749-759.
8	Pattanaprateep O, Mcevoy M, Attia J, et al. Evaluation of rational nonsteroidal anti-inflammatory drugs and gastro-protective agents use; association rule data mining using outpatient prescription patterns [J]. BMC Med Inform Decis Mak, 2017, 17(1): 96.
9	Fahrudin TM, Syarif I, Barakbah AR. Discovering patterns of NED-breast cancer based on association rules using apriori and FP-growth[C]//International Electronics Symposium on Knowledge Creation and Intelligent Computing, 2017: 132-139.
10	Kim S, An YJ, Lee KH, et al. Using association analysis to find diseases related to childhood obesity [C]// Ninth International Conference on Ubiquitous and Future Networks. IEEE, 2017: 847-850.
11	韩楠, 乔少杰, 宫兴伟, 等. 面向正负关联规则的方剂配伍规律挖掘算法 [J]. 小型微型计算机系统, 2017, 38(7): 1538-1542.
12	郜峦, 王键, 李锋刚, 等. 基于关联规则的肺系疾病症药关系研究 [J]. 中医杂志, 2013, 54(8): 697-700.
13	邢泽欣. 数据挖掘在方剂功效分析中的应用[D]. 石家庄: 河北地质大学, 2016.
14	杨余垒. 改进的关联规则算法在慢性病数据挖掘中的研究[D]. 杭州: 浙江理工大学, 2017.

[1]	谢晓宁, 王晓萍, 邵萍. 老年2型糖尿病患者非酒精性脂肪肝患病率及危险因素分析[J]. 中华危重症医学杂志(电子版), 2022, 15(04): 308-311.
[2]	马金栋, 王蕾, 蔡婷婷, 焦向飞, 陈强谱. 腹部外科住院患者肌肉减少症状况及其影响因素分析[J]. 中华普通外科学文献(电子版), 2023, 17(01): 69-74.
[3]	次登罗布, 普布次仁. 西藏地区肿瘤疾病谱及相关因素分析[J]. 中华肺部疾病杂志(电子版), 2021, 14(06): 822-823.
[4]	王丽媛, 张瑞芳, 王向托, 王雅霄. 老年高尿酸血症患者血清白细胞介素-23、尿酸、单核细胞趋化蛋白-1与肾功能损伤的相关性研究[J]. 中华肾病研究电子杂志, 2023, 12(03): 145-149.
[5]	金杉杉, 熊琨, 王璐, 梁远波. 中国青光眼流行趋势及特征的Meta分析[J]. 中华眼科医学杂志(电子版), 2022, 12(06): 332-340.
[6]	刘笑笑, 张小杉, 刘群, 马岚, 段莎莎, 施依璐, 张敏洁, 王雅晳. 中国学龄前儿童先天性心脏病流行病学研究进展[J]. 中华临床医师杂志(电子版), 2023, 17(9): 1021-1024.
[7]	王丽芳, 宁武, 丁艳, 张彦霞, 马豆豆, 卢哲敏, 韩芃, 李超然, 王宽婷. 北京市石景山区中学生的血尿酸与血清25（OH）D3水平的相关性研究[J]. 中华临床医师杂志(电子版), 2023, 17(08): 865-869.
[8]	李昌艳, 顾芳, 刘娟, 唐明敏. 非布司他治疗慢性肾脏病伴发高尿酸血症的疗效及预后影响因素[J]. 中华临床医师杂志(电子版), 2023, 17(03): 279-284.
[9]	赵璨, 孙培培, 张二明, 安欣华, 马石头, 刘力勇, 向平超. 北京十家社区40岁及以上居民吸烟、二手烟暴露与慢性阻塞性肺疾病的关系[J]. 中华临床医师杂志(电子版), 2021, 15(06): 450-458.
[10]	李志道, 李玉仙, 麻凯璇. 刍议《针灸甲乙经》的历史贡献[J]. 中华针灸电子杂志, 2023, 12(02): 50-52.
[11]	赵玉, 杨继鹏, 赵晓丽, 耿强, 欧阳斌, 夏天. 基于数据挖掘技术探讨针刺治疗男性不育症的选穴循经规律[J]. 中华针灸电子杂志, 2023, 12(01): 32-36.
[12]	韩珂, 王祥耀, 茹楠, 牛晓彤, 向京元, 王妍, 高飞, 柴宁莉, 令狐恩强. 肥胖成人慢性腹泻患病率的系统评价和Meta分析[J]. 中华胃肠内镜电子杂志, 2023, 10(02): 115-120.
[13]	陈佳惟, 李泽云, 肖勒, 陈建文, 梁计陵, 周靖涛. 中国老年人肌少症患病率和影响因素的Meta分析[J]. 中华老年病研究电子杂志, 2022, 09(04): 40-45.
[14]	阿孜古丽·阿力木江, 买买提·依斯热依力, 王婧, 阿巴伯克力·乌斯曼, 陆萍, 克力木·阿不都热依木. 产后不同程度的抑郁症状与胃食管反流病的相关性[J]. 中华胃食管反流病电子杂志, 2022, 09(02): 90-94.
[15]	罗燕飞, 热衣兰木·包尔汉, 迪丽胡麻·居来提, 栗俊康, 玛依拉·阿不都热依木, 孙光辉, 栾磊新, 米热古丽·买买提. 新疆和田地区维吾尔族儿童单纯性肥胖危险因素调查[J]. 中华肥胖与代谢病电子杂志, 2022, 08(02): 116-122.

阅读次数

全文

摘要

选择文件类型/文献管理软件名称

选择包含的内容

Data mining and association rule mining of risk factors for hyperuricemia

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

Data mining and association rule mining of risk factors for hyperuricemia