基于神经网络的ICF康复组合评定量化标准功能分级算法模型构建及其验证

摘要 目的：利用人工智能神经网络方式构建ICF康复组合（ICF-RS）评定量化标准总体及三个维度（身体功能、活动、参与）功能分级的算法模型,为应用ICF-RS评定量化标准进行数据分析及功能分级提供解决方案。 方法：本研究利用中文版ICF-RS评定量化标准,通过多中心合作,采用分层比例抽样的方法收集了6家已开展ICF-RS评定量化标准临床应用的康复医学科住院患者ICF-RS数据,以多个专家对同一患者的方式获取ICF-RS评定量化标准三个维度及整体功能状况的等级评价结果。借助于神经网络算法构建ICF-RS评定量化标准的各维度及整体功能分级模型,采用计算机k折交叉验证法选择最优模型参数,并计算模型预测受试者工作特征曲线[receiver operating characteristic(ROC) curve]下面积（area under ROC curve,AUC）、准确率（accuracy,ACC）和F1分数（F1-score）。模型构建后,再通过专家和患者一对一的方式收集100例ICF-RS数据用于对已建立的模型进行临床再测试,通过计算ROC、AUC、ACC和F1对模型性能进行评价。 结果：共收集584例住院患者的ICF-RS数据,其中484例数据用于构建及验证模型,100例数据用于测试模型的预测性能。根据k折交叉验证法结果显示,身体功能维度、活动维度、参与维度及整体ICF-RS功能分级模型的AUC分别是89.00%、92.00%、87.00%和87.00%,ACC分别达到75.19%、78.10%、72.91%和73.53%,F1分别是73.68%、77.04%%、69.28%、58.95%。在模型建立后将重新收集到的100例ICF-RS数据输入模型计算,发现各模型ROC曲线良好,AUC分别是89.04%、91.81%、86.85%、86.89%,ACC分别是64.00%、72.00%、61.00%、65.00%,F1分别是48.30%、59.95%、64.06%、49.35%。 结论：基于神经网络建立的ICF-RS整体及各维度功能分级算法模型对ICF-RS数据的功能等级预测准确率良好,预测价值较高,具有良好的临床应用价值。