慢性阻塞性肺疾病患者6个月内急性加重风险预测模型的构建与验证——一项基于前期研究数据的二次分析

作     者：王明航 蔡坤坤 施丁莉 毕丽婵 李建生 Wang Minghang;Cai Kunkun;Shi Dingli;Bi Lichan;Li Jiansheng

作者机构：河南中医药大学第一附属医院呼吸科郑州450000 河南中医药大学呼吸疾病诊疗与新药研发省部共建协同创新中心河南省中医药防治呼吸病重点实验室郑州450046 

出 版 物：《中华危重病急救医学》 (Chinese Critical Care Medicine)

年 卷 期：2022年第34卷第4期

页      面：373-377页

核心收录：

学科分类：1002[医学-临床医学] 100201[医学-内科学(含：心血管病、血液病、呼吸系病、消化系病、内分泌与代谢病、肾病、风湿病、传染病)] 10[医学] 

基　　金：国家自然科学基金(81873278) 河南省中医药科学研究专项(2018JDZX113,2019JDZX2003) 河南省特色骨干学科中医学学科建设项目(STG-ZYXKY-2020001,STG-ZYXKY-2020002) 

主　　题：慢性阻塞性肺疾病 急性加重 神经网络 风险预测模型 

摘      要：目的基于深度学习和反向传播算法神经网络(BP神经网络),构建慢性阻塞性肺疾病急性加重(AECOPD)风险预测模型,并验证其效能。方法基于团队前期临床研究的1326例慢性阻塞性肺疾病(COPD)患者的相关数据,记录并分析在稳定期、随访6个月时的急性加重情况及其风险因素。结合前期临床研究数据和专家问卷调查结果,将多因素Logistic回归筛选优化后的AECOPD独立风险因素〔性别、体质量指数(BMI)分级、急性加重次数、急性加重持续时间和第1秒用力呼气容积(FEV1)〕,使用Python 3.6编程语言和Tensorflow 1.12深度学习框架搭建BP神经网络。采用随机抽样法,将患者按照4∶1的比例随机抽取生成训练组和测试组,其中训练组1061条样本数据,测试组265条样本数据;训练组用于建立神经网络预测模型,测试组用于回代检验。在使用训练组数据构建神经网络模型时,将训练组按照4∶1的比例随机分为训练集和验证集,训练集849条训练样本,验证集212条验证样本。通过调整神经网络参数及模型结构,同时结合受试者工作特征曲线下面积(AUC),筛选出最优神经网络模型,并将测试组样本数据代入模型加以验证。结果收集团队前期临床研究中优化筛选出的5个AECOPD独立风险因素(性别、BMI分级、急性加重次数、急性加重持续时间和FEV1),基于深度学习和BP神经网络构建AECOPD风险预测模型。经过10000次训练,AECOPD风险预测模型在训练组验证集的准确率为83.09%,且在训练次数达到8000次时准确率基本趋于稳定,预测能力达到上限。将训练10000次的AECOPD风险预测模型对验证集数据进行风险预测,受试者工作特征曲线(ROC曲线)分析显示AUC为0.803;使用该模型对测试组的数据进行风险预测时准确率为81.69%。结论基于深度学习和BP神经网络建立的AECOPD风险预测模型对于COPD患者6个月内急性加重具有中等水平的预测效能,能够对AECOPD的发生风险进行评估,辅助临床制定精准治疗方案。