循环神经网络模型在腹膜透析临床预后预测中的初步应用

目的 应用深度学习模型循环神经网络(recurrent neural network,RNN)及其变体门控循环单元(gated recurrent unit,GRU),基于临床真实数据,构建腹膜透析临床预后预测模型,并比较其与医学研究中常用的逻辑回归(logistic regression, LR)模型的预测性能,探索预测结果中可能的医学意义。方法 使用北京大学第三医院腹膜透析门诊的常规诊疗数据,基于患者在开始透析时的基线数据、随访数据和预后数据构建RNN和GRU预测模型。使用受试者工作特征曲线下面积(area under the ROC curve,AUROC)、召回率(recall)、F1分数(F1-score)三个指标在测试集上评价比较模型对患者死亡风险的预测效果。结果 共纳入656例患者,其中死亡患者261例,共计13 091条诊断记录。经过十折交叉验证调整超参数并在单独的测试集测试结果显示,LR模型、RNN模型、GRU模型的AUROC分别为0.701 4、0.786 0、0.814 7,RNN和GRU模型的预测性能显著优于传统的LR模型。在召回率和F1分数方面,RNN和GRU模型的性能也均显著优于LR模型,且GRU模型表现最好。进一步分析显示GRU模型在不同预测窗口下对于不同死因或相同死因的召回率不尽相同。结论 RNN模型(尤其是GRU模型)相比于传统医学研究所使用的LR模型,对于腹膜透析临床预后预测具有更佳效果,可能有助于医生早期干预,提高医疗质量,具有很强的临床应用价值。