基于臨床病理特征、中醫(yī)證候的IgA腎病預后模型研究.pdf

1、目的:
　　探索整合中醫(yī)預后相關因素能否幫助IgAN預后預測，比較決策樹、自適應增強、隨機森林、支持向量機四種算法建模的預測能力。
　　方法:
　　本研究為回顧性隊列研究，以經腎穿診斷為IgA腎病的患者為研究對象，采集人口學、臨床病理、中醫(yī)證候等相關基線指標，并收集各個病例的隨訪資料，以血肌酐翻倍、eGFR下降≥50％、ESRD、透析、死亡為主要終點指標，使用Cox比例風險模型篩選與IgA腎病不良預后相關的因素。將預后

2、相關因素分為西醫(yī)變量、中醫(yī)變量。分別基于西醫(yī)變量、中醫(yī)變量和聯合中西醫(yī)變量三種情況，使用決策樹、隨機森林、自適應增強、支持向量機、神經網絡等算法，建立IgA腎病預后預測模型，判斷IgAN患者是否在5年內發(fā)生復合終點事件，并對預后模型的預測效能進行評估對比。
　　結果:
　　本研究共納入402例IgAN隨訪病例，年齡為32.5(25-41)歲，其中女性占53.2％，從起病到腎活檢的時間為6(1-24)個月，隨訪時間為2.2(1

3、.1-3.9)年，其中45例患者出現終點事件。Cox回歸單因素分析提示基線收縮壓、基線舒張壓、起始癥狀乏困、起始癥狀水腫、起始無癥狀、高血壓病史、尿蛋白定量、尿素氮、血肌酐、eGFR、血尿酸、血鉀、血磷、血清總蛋白、血清白蛋白、Haas分型、Lee分級、Katafuchi積分、MEST-T評分、新月體比例分級、疲倦乏力、浮腫、夜尿多、畏寒肢冷、惡心、舌質淡紅、舌質淡、舌苔白膩、脾腎陽虛證、血瘀證、兼證數目等31個變量與IgA腎病預后關系

4、密切。經共線性診斷后，31個變量剔除基線收縮壓、基線舒張壓、血清總蛋白、Lee分級4個變量，新加入基線平均動脈壓，最終有28個變量進入多因素分析和預測模型建模。Cox回歸多因素分析提示基線血肌酐、MEST評分的T分值、脾腎陽虛證是不良預后的獨立危險因素。
　　隨機數據5年內發(fā)生終點事件和隨訪5年未發(fā)生終點的患者數據，按7∶3的比例分成訓練集和測試集。使用訓練集數據在中醫(yī)變量、西醫(yī)變量、中西醫(yī)變量三種條件下分別通過決策樹、自適應增強

5、、隨機森林、支持向量機四種算法構建了12個模型。評估各模型對訓練集的數據解析能力，發(fā)現同算法下，總體錯誤率上，中醫(yī)變量＞西醫(yī)變量＞中西醫(yī)變量;擬合度和ROC曲線下面積方面，中西醫(yī)變量＞西醫(yī)變量＞中醫(yī)變量。而在變量相同的情況下，隨機森林錯誤率最低、R2和ROC曲線下面積最大，決策樹模型錯誤率最高、R2和ROC曲線下面積最小居于末席，自適應增強模型和支持向量機并列居中。
　　用12個模型對測試集的數據進行預測，發(fā)現使用中醫(yī)變量、西醫(yī)變

6、量、中西醫(yī)變量在四種算法下構建的模型，ROC曲線下面積均大于0.7，具有良好的預測能力，而支持向量機使用中西變量建模，ROC曲線下面積更是超過0.9，達到0.91，預測能力優(yōu)秀。在同算法下，中西醫(yī)變量的準確率、R2、ROC曲線下面積均最高，而西醫(yī)變量排第二，中醫(yī)變量第三。變量相同的情況下，支持向量機的準確率、R2、ROC曲線下面積均最大，模型驗證預測效能最好;隨機森林錯誤率和支持向量機一樣，R2第二，ROC曲線下面積第三，總體預測效能第

7、二;自適應增強模型總體錯誤率最高，R2大于決策樹排第三，ROC曲線下面積排第二，總體預測效能排第三;決策樹模型除總體錯誤率居于第三外，R2和ROC曲線下面積位于末席，總體預測效能第四。
　　結論:
　　使用中醫(yī)變量和西醫(yī)變量構建預測模型，均能達到良好的預測效能，但使用西醫(yī)變量的預測能力更強，而聯合中西醫(yī)變量建模優(yōu)于單獨使用中醫(yī)或西醫(yī)變量。在開展類似的IgAN預后預測研究時，如能獲取足夠的中醫(yī)資料，推薦同時使用中西醫(yī)預后相關因