技术摘要：
一种基于偏见模型对癌症患者抑郁指数进行评估的方法，适用于对癌症患者术后康复的心理抑郁情况做评估。本发明提供了一种介于多项式模型和比例优势模型之间的模型，更加适用于有序分类为目标变量的研究对象，避开了多项式模型拟合参数繁多准确度低和比例优势模型假设条  全部
背景技术：
跟踪研究是一种常见的医学研究方法，研究者对特定的目标人群进行长时间的追 踪，取得固定时间段内目标人群的各项变量指标，对目标变量进行评估或预测。这类研究方 法的特点有：一是同一研究对象的定期变量指标有高度相关性；二是目标变量通常为分类 数据，且在某些情况下为有序分类数据。现有模型和方法通常只能分别解决这两类问题的 其中一个，而不能有效的将同时拥有这两类特点的数据进行建模且不违反其模型的前提假 设，同时做到模型尽量简洁，减少过多的拟合参数。 在广义线性模型中，多项式模型(multinomial  logit  model)是最为普遍适用的， 它既可以用于无序分类数据，也可以用于有序分类数据，但其缺点是拟合参数过多，增加了 运算量和模型的冗余度，可能对模型精确度造成影响，也可能引起过拟合；比例优势模型 (proportional-odds  model)主要用于有序分类数据，其假定目标变量的分类是均匀递增 或递减的，因此在每一层级中，模型的拟合参数相同，从而使得模型简洁，但其缺点在于当 目标变量的递增或递减所引起的潜在效果不是均匀的，其模型的准确度会大打折扣。 本发明采用偏见模型(stereotype  model)混合随机效果(mixed  random-effects  model)，吸取了多项式模型和比例优势模型各自的优点，避开了这两种模型的缺点，可以更 加有效地针对患者抑郁指数进行评估。
技术实现要素：
本发明的目的是提供一种不同于往常的针对癌症患者抑郁指数进行评估的方法， 该模型与惯用模型相比，同时解决了两个问题，一是针对有序分类目标变量的研究对象，在 使用比例优势模型时拟合参数在不同层级为固定不变的这一假设不符合实际情况时的替 代方案，它的优势是比多项式模型更简洁，所需拟合参数的个数更少；二是针对同一研究对 象随时间变化，定期记录变量指标的高度相关性，引入了混合随机效果(random-effects)， 把每个患者的定期记录看作一个群(group/cluster)。 本发明所采用的技术方案是，基于偏见模型对癌症患者抑郁指数进行评估的方 法，其特征在于它包括以下几个步骤： (1)采用临床诊断中的CES-D方法，设计抑郁指数量化表，将抑郁指数分为不少于 三个级别并记为Yij，其中i代表患者或观察对象，j为到访次数； (2)为患者建立跟踪调查档案，定期记录主要包括患者的年龄、性别、疼痛指数 (MPI)、癌症期数、到访次数等与研究目标极其相关的参数并记为相关变量矩阵Xi； (3)在多项式模型(multinomial  logit  model)和比例优势模型(proportional- odds  model)的基础上，引进偏见模型(stereotype  model)，具体做法如下： 4 CN 111613284 A 说　明　书 2/4 页 令Yij表示第i个患者第j次到访的CES-D抑郁等级，其等级k＝1,…,K；Xi为相关变 量的矩阵，β为对应变量的参数；Zi为随机效果矩阵，b为对应随机效果的参数；若g(.)为连 接方程(link  function)，则广义线性混合模型可以表示为： g{E(Yij|bi)}＝αk Xiβ Zib    {1} a.多项式模型可以表示为(设参照组Y＝1)： ，其中k＝2,…,K；bi～N(0,σ2) ,αk是固定效果，β的值随着抑郁等级k不同，拟合参 数的个数为(K-1)×(p 1)； b.比例优势模型可以表示为(设参照组Y＝1)： logit[Pr(Yij≤k|Xi,bi)]＝αk-(Xiβ Zibi)    {3} ,其中k＝1,…,K；bi～N(0,σ2) ,αk是固定效果，β的值在不同抑郁等级k中相同； c.将一个特殊变量引入多项式模型，形成偏见模型混合随机效果： ,其中k＝2，…，K；bi～N(0，σ2) ,αk是固定效果， 即 拟合参 数的个数为(K-1) p (K-2)＝2K p-3； (4)预处理数据，将缺失值用适合数据结构的方式补齐； (5)将数据分成不少于三份，其中一份为训练集，另外至少两份为验证集，分别代 入{2}-{4}的模型中，比较模型整体拟合效果及相关参数的拟合效果，并得出相应结论。 更进一步地