Page 143 - 南京医科大学自然版

第44卷第11期 李安岚，俞曼殊，盛梅笑. 腹膜透析患者临床结局预后风险预测方法研究进展［J］.
2024年11月 南京医科大学学报（自然科学版），2024，44（11）：1605-1611 ·1609 ·

建多个决策树来解决分类和回归问题，然后通过取 模数据集的需求更为明显，其优点在于强大的数
平均值或取多数投票的方式来提高预测准确性、泛 据处理分析能力，但是深度学习往往需要耗费大
化能力和抗过拟合能力。随机森林模型与Cat Boost 量的计算资源和训练时间，且对数据的依赖性较
模型相比，二者的区别主要在算法和实际应用效果 高，故在实际应用中还需根据具体问题和数据特
方面。算法层面，前者通过对数据集进行随机采样 点选择合适的模型。
来构建训练样本，其随机化有利于模型在测试集上
4 小结与展望
取得更好的泛化性能，后者根据训练数据寻找所有
决策树最优的线性组合，这种额外的调整可理解为 综上，在 PD 患者临床结局预后风险预测研究
两者的差异；应用层面，后者会根据观测值对预测 中，生物学标志物研究进展相对缓慢，临床应用有
结果进行调整，易受到噪声点影响，更易出现过拟 限，目前尚未有任何生物学标志物被纳入 PD 的常
合的情况，而前者抗过拟合能力比较强。总之，与 规临床实践中，潜在的能够预测PF的指标有腹膜透
传统风险预测模型相比，机器学习通常需要大量 析 液 中 的 TGF ⁃ β1、CA125、VEGF 及 EZH2；预 测
标记的数据来训练模型，因此能更好地处理具有 PDAP 的指标有腹膜透析液中的 IL⁃6、GP96 及血清
大量变量的高维数据集，能自动从数据中学习和 LYC；预测营养不良的指标有CONUT评分、sTβ4；预
捕捉复杂的关系模式，提供更为灵活和强大的建 测 CVD 的指标有血清 NPAR、TyG、CAR、25（OH）D。
模能力，但需要注意数据的质量和多样性会直接 以上生物学标志物的优点是采样简单方便，可直观
影响模型性能。 监测患者病情变化，但其临床准确性还需大量临床
3.2 深度学习 试验论证，研究证实多个生物学标志物联合运用较
唐雯等 ［52］ 纳入 656 例 PD 患者，收集开始透析 单项评估准确性更高，目前主要用于 PD 相关结局
时、随访和预后数据，使用基于循环神经网络模型 具体机制的探索研究。风险预测模型方面，常用的
是Logistic 回归和Cox回归模型，优点是可在一定程
的死亡风险预测系统辅助医生进行临床决策和干
度上分析 PD 预后风险的危险因素并构建模型，但
预；发现模型对感染、胃肠道出血、营养不良和癌症
存在回归性数据偏倚和临床观察指标有限的缺点，
等导致的死亡的预测效果较好，对心、脑血管疾病
模型的临床普适性参差不齐，准确度和可解释性方
的预测效果不佳；同时相比传统 Logistic 回归模型，
面仍待改进。目前主要是各个单中心构建个体化
门控循环单元模型的性能更优，更适合预测 PD 患
者的死亡风险。目前传统的预后模型难以处理具 模型，确定影响 PD 预后的因素并运用于临床。AI
的优点是可利用非线性方法更快更准地找到突破
有高纬度、异质性和时间序列的电子病历数据。Xu
点，弥补传统方法的不足，在多维度数据处理准确
等 ［53］ 基于7 539例PD患者数据开发并验证了一种神
度、患者个性化服务和可解释性等方面较前两者
经网络CVD former模型，用于预测PD患者3个月内
效果更好，但临床上应结合患者的具体情况和客
全因和心血管死亡风险，在测试集中，CVD former模
观检查结果综合考量，目前也只在少数研发单位
型精度优于长短期记忆网络模型，模型的 AUC 为
进行应用，亟需进一步实践论证。未来在临床如
0.88~0.90，利用低成本、广泛可用的自动化程序预
何合理应用上述预测方法，在此基础上建立个性
测 PD 患者的临床预后风险，对于 PD 患者的管理具
化的 PD 诊疗方案，提高患者生存率和生活质量、改
有重要意义。Ma等 ［54］ 利用深度学习，整理656例PD
善预后，值得探索。
患者共13 091次门诊随访电子数据集，搭建个体化
预后分析 AI 模型，智能预测不良结局的发生概率、 ［参考文献］
个体化判别关键因素、重新判断指标参考值，提供 ［1］ TEITELBAUM I. Peritoneal dialysis［J］. N Engl J Med，
详细的指标分析，如Alb、舒张压和血氯水平可作为 2021，385（19）：1786-1795
PD 患者的重要健康因素；血钠、血钾和体重是恶病 ［2］ NEPHROLOGY I S O. ISN⁃global kidney health atlas［EB/
OL］.［2024⁃03⁃27］. https：//www. theisn. org/initiatives/
质死亡的重要因素；Alb、尿素、体重、血钾、血压是
global⁃kidney⁃health⁃atlas/
PDAP 死亡的重要因素。同时开发了 AI⁃医生交互
［3］《中国腹膜透析管理现状白皮书》项目组. 中国腹膜透
预后预测系统，用于可视化患者疾病进展轨迹和
析管理现状白皮书［J］. 中华肾脏病杂志，2022，38
关键因素，在临床中帮助医生尽早识别相关风险 （12）：1076-1104
并进行干预。与机器学习相比，深度学习对大规 ［4］ 倪兆慧，金海姣. 中国腹膜透析发展 70 年［J］. 中国血