體外沖擊波治療上尿路結(jié)石的療效預測-人工神經(jīng)網(wǎng)絡和Logistic回歸模型的建立與比較.pdf

1、研究背景和目的：
　　 泌尿系結(jié)石是泌尿外科的常見病與多發(fā)病，尤其在我國南方的部分省份，發(fā)病率較高。隨著人們生活水平的提高，近年來上尿路結(jié)石的發(fā)病率明顯增高。自上個世紀80年代問世以來，體外沖擊波碎石(Extracorporeal Shockwave Lithotripsy,ESWL)經(jīng)過三十年的技術改進和臨床經(jīng)驗積累，使得很大一部分的上尿路結(jié)石患者免除開刀之苦，其治療上尿路結(jié)石具有安全、有效、痛苦小、恢復快和費用不高的特點。然

2、而，對于較大上尿路結(jié)石的治療，可能需要多次碎石，一方面，可能增加腎臟不可逆損傷的風險;另一方面，排石過程中經(jīng)常會伴隨腎絞痛、發(fā)熱、血尿、石街等并發(fā)癥，從而不得不轉(zhuǎn)為其它外科方法治療，影響ESWL的療效。臨床實踐證明，并不是所有的上尿路結(jié)石都適合ESWL治療，有些結(jié)石ESWL無法擊碎，有些結(jié)石ESWL擊碎后病人無法自行排出。伴隨ESWL不成功而帶來的問題是，病人可能會為失敗的ESWL承擔經(jīng)濟、時間及痛苦就醫(yī)經(jīng)歷的后果，從而使得ESWL的優(yōu)

3、勢不能最大化。如果在體外沖擊波碎石前，能對其治療效果準確預測，一方面可以制定相對正確的治療方案，避免減少病人不必要的痛苦和經(jīng)濟損失、降低醫(yī)療服務成本;另一方面也有利于在治療前向病人充分告知，有利于醫(yī)患的溝通和理解。
　　 盡管對于ESWL治療上尿路結(jié)石療效預測的研究不少，然而，因受限于研究條件，存在以下不足:1）個別病例數(shù)較少，僅局限在方法學上的探索，并未廣泛應用在臨床實踐中;2）受研究條件等限制，納入的療效影響因素不全面，因此

4、預測的準確性還有待提高;3）部分研究對病例沒有分層，將腎結(jié)石與輸尿管結(jié)石合并在一起研究，臨床應用意義不大。本研究分別運用logistic回歸分析和人工神經(jīng)網(wǎng)絡建立ESWL治療腎結(jié)石和輸尿管結(jié)石的療效預測模型，確定ESWL治療上尿路結(jié)石療效的重要影響因素和預測變量重要性評價，并對人工神經(jīng)網(wǎng)絡和Logistic回歸分析方法、預測效果和優(yōu)缺點進行比較，最后，確定預測效果較好的模型的工作概率分界值，使研究成果直接轉(zhuǎn)化為臨床應用。
　　

5、方法：
　　 對325例腎結(jié)石患者和1，065例輸尿管結(jié)石ESWL治療前的臨床資料如性別、尿路刺激癥、治療前血尿、腎絞痛、結(jié)石位置、結(jié)石患側(cè)、年齡、身高、體重、病程時間、結(jié)石長徑、結(jié)石寬徑等影響因素和ESWL治療結(jié)局進行回顧性分析。
　　 首先，將ESWL治療的腎結(jié)石和輸尿管結(jié)石的病例資料分別進行無偏隨機化分組，對于Logistic回歸分析和建模，約70％的病例分配至訓練樣本，約30％病例分配至堅持樣本;而對于人工神經(jīng)網(wǎng)

6、絡，則是約56％的病例分配至訓練樣本，約14％的病例分配至檢驗樣本，約30％的病例分配至堅持樣本。
　　 采用x2檢驗對分類變量如性別、尿路刺激癥、治療前血尿、腎絞痛、結(jié)石位置、結(jié)石患側(cè)等進行每個預測變量與應變量(ESWL治療結(jié)局)關系的顯著性檢驗。通過擬合單變量logistic回歸取得連續(xù)預測變量（年齡、體重指數(shù)、病程時間、結(jié)石長徑與短徑的乘積）的顯著性檢驗，初步找出對應變量(ESWL治療結(jié)局)有影響的因素，再將上述預測變量顯

7、著性檢驗分析中P＜0.25者，與其它重要預測變量一起，納入多元模型的候選預測變量。然后采用logistic逐步回歸分析（前向法:LR法）多因素分析，建立logistic回歸預測模型，并將訓練樣本組和堅持樣本組回代至此模型，得到ESWL治療結(jié)局預測概率，繪制ROC曲線，計算曲線下面積(AUC)，并計算敏感度，特異度和總準確度，評價預測模型的準確性。
　　 建立3層前向型神經(jīng)網(wǎng)絡模型，隱含層設置為1層，輸入層的參數(shù)為所有10項可能有

8、臨床意義的預測指標，預測因子設置依次為性別、尿路刺激癥、治療前血尿、腎絞痛、結(jié)石位置、結(jié)石患側(cè)，預測協(xié)變量依次為年齡、體重指數(shù)、病程時間、結(jié)石長徑與結(jié)石寬徑的乘積（文中簡稱“結(jié)石大小”），標準化協(xié)變量。其中，性別編碼為“男”=1、“女”=2;尿路刺激癥、治療前血尿、腎絞痛編碼為“有”=1、“無”＝2;結(jié)石位置編碼為“腎上盞”=1、“中盞”=2、“下盞”=3、“腎盂”=4、“混合”=5或“輸尿管上段”＝1、“中段”＝2，“下段”=3。輸出

9、層為ESWL治療結(jié)局，“成功”編碼為1，“失敗”編碼為0。以前述“分區(qū)變量”分配病例樣本，選擇“自動體系結(jié)構(gòu)選擇”，隱含層中最小單位數(shù)為1，最大單位數(shù)為50，訓練類型為“批處理”（腎結(jié)石組）或“袖珍批處理”（輸尿管結(jié)石組），優(yōu)化算法選用“調(diào)整的共軛梯度”（腎結(jié)石組）或“梯度下降”（輸尿管結(jié)石組），間隔中心點為0，間隔偏移量為±0.5。運行神經(jīng)網(wǎng)絡后，獲得ESWL治療結(jié)局預測的擬概率，以0.50為預測分界值，計算預測的總準確率、靈敏度和特

10、異度，繪制ROC(Receiver Operating Characteristiccurve，ROC)曲線，計算曲線下面積(Area Under Curve，AUC)，評價人工神經(jīng)網(wǎng)絡預測的準確性。
　　 最后，從建模原理與方法、預測效果、優(yōu)缺點三方面比較logistic回歸預測模型和人工神經(jīng)網(wǎng)絡。
　　 統(tǒng)計學軟件包
　　 應用IBM(@)公司出品的統(tǒng)計軟件包SPSS20.0進行x2檢驗，單變量Logisti

11、c回歸和多元logistic分析和建立模型，并以其附帶的神經(jīng)網(wǎng)絡模塊中的多層感知器建立人工神經(jīng)網(wǎng)絡。采用Hosmer-Lemeshow進行l(wèi)ogistic回歸擬合優(yōu)度檢驗，并以x2檢驗進行模型的顯著性檢驗。P值精確到小數(shù)點后3位，以P＜0.05為有統(tǒng)計學差異。
　　 用統(tǒng)計軟件包Medcalc(@)進行ROC曲線的繪制和ROC曲線下面積的比較，進行約登指數(shù)的計算和預測概率分界值的篩選。
　　 結(jié)果：
　　 1)E

12、SWL治療腎結(jié)石組
　　 共325例腎結(jié)石，最長隨訪3個月，碎石成功250例，轉(zhuǎn)為其它方法治療75例，總成功率76.9％。對全部腎結(jié)石患者性別、結(jié)石患側(cè)、結(jié)石位置、尿路刺激癥狀、血尿或腎絞痛進行單因素分析，我們發(fā)現(xiàn)結(jié)石患側(cè)、結(jié)石位置、尿路刺激癥狀、血尿?qū)SWL治療結(jié)局有顯著性影響。對本組患者年齡、體重指數(shù)、病程時間、結(jié)石大小進行單因素logistic回歸擬合，結(jié)果排除體重指數(shù)，其余預測因素均納入候選變量。
　　 進一步

13、用logistic逐步回歸進行多因素分析，發(fā)現(xiàn)病程時間、血尿和結(jié)石大小，是ESWL治療腎結(jié)石療效的獨立影響因素(P＜0.05)，其AOR(Adjusted Odds Ratio)值（95％可信區(qū)間）依次是0.977(0.964-0.989)、12.388(3.443-44.565)、0.192(0.113-0.323)。
　　 建立以訓練樣本為基礎的logistsic預測模型。對預測模型進行x2檢驗驗證其顯著性，x2值為108.

14、938，P＜0.001，預測變量對應變量（ESWL碎石結(jié)局）有顯著的解釋能力。通過分類交互表計算Hosmer-Lemeshow擬合優(yōu)度檢驗統(tǒng)計量，得到x2=6.927，df=8，P=0.545，無統(tǒng)計學顯著性差異，因此認為模型擬合觀測數(shù)據(jù)良好。通過預測-觀察分類表，對于模型預測的準確性進行評價。將訓練樣本和堅持樣本的觀察數(shù)據(jù)分別回代到模型，得到模型對訓練樣本和堅持樣本的預測概率值，以0.5作為預測結(jié)果的分界值，結(jié)果顯示模型對訓練樣本的靈

15、敏度為94.4％，特異度63.3％，總體準確率為86.0％，而對堅持樣本的靈敏度100％，特異度20.0％，總體準確率為88.4％。
　　 人工神經(jīng)網(wǎng)絡自動剔除建模過程中典型的“冗余”單元后，輸入層共建立19個單元。自動體系結(jié)構(gòu)選擇了建立一個隱含層，隱含層內(nèi)共有6個單元，激活函數(shù)為hyperbolictangent，輸出層共有2個單元，激活函數(shù)為softmax。將預測變量重要性指標除以最大指標值，得到標準化的預測變量重要性排序，

16、發(fā)現(xiàn)列于前五位的是:結(jié)石大小、病程時間、血尿、結(jié)石位置、體重指數(shù)。以0.5作為預測擬概率分界值，運用人工神經(jīng)網(wǎng)絡對全部樣本進行預測，結(jié)果顯示訓練樣本的敏感度、特異度和總體準確率為98.4％、72.5％和90.8％;檢驗樣本的敏感度、特異度和總體準確率為97.4％、55.6％和89.6％;堅持樣本的敏感度、特異度和總體準確率為93.3％、46.7％和86.5％。
　　 Logistic回歸模型的AUC為0.625，95％可信區(qū)間為

17、0.525-0.718;人工神經(jīng)網(wǎng)絡AUC為0.856，95％可信區(qū)間為0.774-0.917，與AUC為0.5進行顯著性檢驗，前者P值為0.122，后者為P＜0.001。兩者AUC差異的非參數(shù)顯著性檢驗，z值為3.988，P=0.0001，兩者AUC存在統(tǒng)計學上顯著性差異，意味著logistic回歸模型的預測效果差，ANN的預測效果優(yōu)于logistic回歸模型。
　　 計算約登指數(shù)并權(quán)衡敏感度與特異度后，發(fā)現(xiàn)概率分界值為0.5

18、95時，腎結(jié)石ESWL療效預測的ANN模型的敏感度和特異度達到較為理想狀態(tài)，分別為92％和60％。
　　 2)ESWL治療輸尿管結(jié)石組
　　 共納入1065例輸尿管結(jié)石，最長隨訪3個月，碎石成功874例，轉(zhuǎn)為其它方法治療191例，總成功率82.1％。用x2檢驗對本組患者性別、結(jié)石患側(cè)、結(jié)石位置、尿路刺激癥狀、血尿或腎絞痛進行單因素分析，按著P＜0.25的預測變量篩選標準，我們發(fā)現(xiàn)除治療前是否出現(xiàn)血尿外，其余預測因素對ES

19、WL治療結(jié)局有顯著性影響。對本組患者年齡、體重指數(shù)、病程時間、結(jié)石大小進行單因素logistic回歸逐一擬合，均納入候選預測變量。
　　 用logistic回歸對進行多因素分析，結(jié)果顯示治療前腎絞痛、結(jié)石位置（輸尿管上段、輸尿管中段）結(jié)石大小為ESWL治療輸尿管結(jié)石療效的獨立影響因素，其AOR值（95％可信區(qū)間）分別是1.508(0.999-2.277)、0.651(0.391-1.086)、0.374(0.191-0.731)

20、、0.246(0.152-0.396)。Logistic回歸預測模型的x2值為54.460，P值＜0.001，提示納入模型的預測變量對治療結(jié)局有顯著的解釋能力。預測模型的擬合優(yōu)度通過Hosmer-Lemeshow檢驗，顯示模型擬合程度尚好(x2=8.406，df=8，P=0.395)。將訓練樣本和堅持樣本分別回代至預測模型，得到對訓練樣本和堅持樣本進行預測概率值，以0.5作為預測概率分界值，結(jié)果顯示訓練樣本靈敏度98.1％，特異度4.2

21、％，總體準確率為82.9％。堅持樣本靈敏度99.3％，特異度11.3％，總體準確率為84.7％。
　　 人工神經(jīng)網(wǎng)絡自動剔除建模過程中典型的“冗余”單元后，輸入層共建立17個單元。自動體系結(jié)構(gòu)選擇了建立一個隱含層，隱含層內(nèi)共有5個單元，激活函數(shù)為hyperbolictangent，輸出層共有2個單元，激活函數(shù)為softmax。將預測變量重要性指標除以最大指標值，得到標準化的預測變量重要性排序，結(jié)石大小、結(jié)石位置、病程時間、年齡和

22、體重指數(shù)列于前五位。
　　 應用人工神經(jīng)網(wǎng)絡對全部樣本進行預測，以0.5作為預測擬概率分界值，結(jié)果顯示訓練樣本的敏感度、特異度和總體準確率分別為98.8％，12.7％和84.0％;檢驗樣本的敏感度、特異度和總體準確率分別為99.2％，16.7％和89.3％;堅持樣本的敏感度、特異度和總體準確率分別為97.8％，9.4％和83.2％。
　　 Logistic回歸模型的AUC為0.729，人工神經(jīng)網(wǎng)絡的AUC為0.751，與

23、AUC為0.5進行顯著性檢驗，前者P值＜0.001，95％可信區(qū)間為0.676-0.777，后者為P值＜0.001，95％可信區(qū)間為0.700-0.797，借助統(tǒng)計軟件包MedCalc(@)對AUC進行非參數(shù)顯著性檢驗，計算z統(tǒng)計量為0.750，對應的P值為0.4534，即兩種預測模型的AUC面積在統(tǒng)計學上無顯著性差異，換言之，輸尿管結(jié)石ESWL療效的logistic回歸模型和ANN模型的預測效果相差不大。權(quán)衡敏感度與特異度后，確定概率

24、分界值為0.769時，ESWL治療腎結(jié)石療效預測的ANN模型的敏感度和特異度達到較為理想狀態(tài)，分別為81％和60％。
　　 結(jié)論：
　　 本研究發(fā)現(xiàn)，患者病程時間、結(jié)石大小、治療前血尿是影響腎結(jié)石ESWL療效的獨立影響因素，而影響輸尿管結(jié)石的ESWL療效的重要因素為性別、腎絞痛、結(jié)石位置和結(jié)石大小。和Logistic逐步回歸法建立的預測模型相比較，人工神經(jīng)網(wǎng)絡具有自學習、并行計算的功能，雖對預測變量的解釋性不如logis