基于慢性肾脏病数据集的卷积神经网络对慢性肾脏病进展的预测价值研究

摘要

背景 早期准确预测罹患终末期肾病（ESRD）的风险对医疗决策至关重要。在慢性肾脏病（CKD）领域，已有研究报道多种因素和前2年估算肾小球滤过率（eGFR）下降百分比对ESRD发展的影响。传统的风险评估方法通常依赖于专家经验、简单的统计分析和有限的生物标志物，这些方法在处理复杂、多维度的健康数据时具有明显的局限性，而采用机器学习算法，如人工神经网络可以显著提升风险预测的准确性、灵敏度和特异度。目的 基于多种算法探究2年临床参数平均水平和2年内eGFR变化率对CKD发展至ESRD的预测价值。方法 本研究数据集来自2008—2014年日本帝京大学医院的日本CKD群体回顾性队列，700例患者入选研究队列。基于该队列获取两个数据集，分别是基线数据集和2年时间平均数据集。使用逻辑回归（LR）、多层感知机（MLP）、支持向量机（SVM）、极端梯度提升树（XGBoost）、卷积神经网络（CNN）算法预测患者是否会在数年后达到ESRD，并得出概率。从数据和算法两个层面平衡数据集，使用对比试验证明医学上的意义。结果 将LR、MLP、SVM、XGBoost作为基准模型，对比试验表明，CNN模型表现最佳，准确率为94.8%，精确率为80.3%，召回率为78.2%,F1分数为78.4%。5个模型在2年时间平均数据集上的评价指标明显高于基线数据集上的指标，尤其是召回率。此外，包含2年内eGFR下降率变量的模型优于不包含该变量的模型。在解决数据集类别不平衡的问题后，召回率有了很大程度的提高。结论 研究证明基于CKD数据集的CNN模型可以指导医护人员做出更佳的临床治疗决策，前2年临床参数的平均水平和2年内eGFR下降百分比对预测透析事件具有重大意义，前2年的综合管理对于推迟发生ESRD至关重要。

关键词

慢性肾脏病 / 终末期肾病 / 预测 / 卷积神经网络 / 计算机辅助诊断 / 深度学习