中国学者顶级期刊发文:AI精准预测肾病预后


新智元专栏

作者:陈听雨、李响、李映雪等

【新智元导读】IgA肾病的长期预后风险预测一直是医学界的难题。近日,中国学者在肾脏病顶级期刊《美国肾脏病杂志》(AJKD) 上发表论文,介绍了如何利用AI技术,改善对IgA肾病的长期预后风险预测。这是全球第一篇发表在肾脏病顶级期刊上的AI疾病预测论文。

中国大约有1.2亿慢性肾病(CKD)患者。其中有一种最常见的肾病,它的病因尚不完全清楚,且其远期预后非常不理想。它就是 IgA 肾病(IgA nephropathy,IgAN),是全球范围内发病率最高的原发性肾小球疾病之一,在亚洲人群中发病率尤高。

IgA肾病的远期预后不佳,10‑25 年内 30‑40% 的患者会进入终末期肾病(肾衰竭)。终末期肾病患者通常需要进行透析或肾移植治疗,人均治疗花费10-15万元/年,这给个人、家庭和社会带来了沉重的负担。因此,如何准确地对IgA肾病患者的预后风险进行预测,对于指导患者的个体化预防、治疗和管理,以及相关临床研究具有重要的意义。

近日,国家肾脏疾病临床医学研究中心(东部战区总医院)、平安医疗科技、IBM中国研究院联合在肾脏病顶级期刊《美国肾脏病杂志》(AJKD) 上发表论文《IgA肾病的肾脏终点预测和风险分层》,介绍了如何利用 AI 技术,改善对IgA肾病的长期预后风险预测。陈听雨、李响、李映雪、夏尔玉、秦勇、梁少姗、徐峰、梁丹丹、曾彩虹、刘志红等人是论文的贡献者。

研究人员将 AI 算法与统计分析方法相结合,建立了一套精准、可解释、临床实用的 IgA 肾病患者预后风险预测系统。据悉,这是全球第一篇发表在肾脏病顶级期刊上的 AI 疾病预测论文。

长期随访患者数据,机器学习方法构建模型

既往研究发现影响 IgAN 预后的多项危险因素,包括基线尿蛋白 > 1g/d、高血压、肾功能不全、高尿酸血症、男性、严重病理评分等,并在此基础上建立了多种预测 IgAN 预后的评分系统,但这些评分系统受制于样本量小,病理评分标准不一, 纳入特征少以及评分临床实用性欠佳等缺点。

本文致力于使用 2047 例中国长期随访 IgAN 患者数据,借助机器学习方法,建立结合临床及肾脏病理的预后风险预测模型及风险分层系统,使医生可快速准确地预估患者的肾脏预后风险。

数据及实验设计:

回顾性分析采用来自中国 18 个临床中心的 1997 年 1 月~2010 年 6 月住院经肾活检确诊为 IgAN 患者的临床及随访资料。数据涵盖了患者的人口学特征、生理指标、病理指标等36个变量。临床结局定义为 “eGFR 较基线下降≥50% 或 终末期肾病(end-stage kidney disease, ESKD)” 。

根据以上研究对象及观察指标建立的预测模型,可以在患者活检时预测以上临床结局的风险,预测时间窗口为活检后 5 年。

AI融合统计模型,兼顾模型精准度和实用性

XGBoost精准预测:

本文首先使用XGBoost方法进行了建模。

目前为止,XGBoost 方法在中小型结构 / 表格数据上已取得了无数卓越的成绩。其作为一种基于决策树的集成机器学习算法,使用梯度上升框架,适用于分类回归问题,速度快,效果好。

本文选取 XGBoost 作为预测模型,除了其精准的预测能力外,还有一个更重要的原因,即 XGBoost 自动处理缺失值的能力。缺失值在医疗数据中一直是个无法避免又棘手的问题。由于大部分机器学习模型都需要较多的变量作为输入,在实际临床应用时很难将所需变量搜集完整。这一点阻挠了机器学习算法在临床实践中的广泛应用。 XGBoost 方法自动学习缺失值的分类方向,从而摆脱了在实际应用时缺失值造成的束缚。

本文输出了重要性排名前十的变量(如下表)。在 NJIgAN‑RSS 系统中,用户可以根据实际情况填入这些变量的信息,获取预测的风险概率。

Stepwise Cox 简化评分:

为了进一步增强系统在临床实践中的实用性,本文进一步构建了无需借助计算机便能使用的打分模型

Stepwise Cox 作为一种传统的回归分析模型,每个被选择的变量都有一危险比(hazard ratio,HR),其统计学显著性可用 p 值来评估,临床解释性能佳,故本文利用该方法建立简化评分模型。

Stepwise Cox 在建模过程中自动进行特征选择,但由于其采用的逐步递归特征选择非常容易陷入局部最优解,所以直接基于原始的 36 个变量进行建模所得到的模型效果并不理想。

本文基于了 XGBoost 给出的对于模型分类效果具有显著作用的 10 个变量作为初始变量,在此基础上进行Cox 回归建模, 从一定程度上减小了局部最优带来的弊端。

本文通过 CHAID 方法进一步将 stepwise Cox 选出的变量进行离散化,将 Cox 回归系数作为打分模型权重,得到了最后的打分模型。打分最终纳入了 3 个变量:肾小管萎缩/间质性纤维化比例(%) (基于牛津分型分为 T1;T2)、球性硬化比例>25%、尿蛋白>1g/d, 最终将患者 3 个变量对应的得分相加,即得到患者的风险分层评分(risk stratification score,RSS),进一步将 0‑1 分为低危组,2 分为中危组,3‑4 分为高危组。

模型评价结果

XGBoost 模型在训练集及验证集上的 C‑statistics 分别为 0.89、0.84。本文对比了 XGBoost 以及其他机器学习、统计方法的区分度性能,如下表。

简化版评分模型在训练集上的 C‑statistic为 0.81 (95% CI, 0.76‑0.86),验证集为 0.80 (95% CI, 0.75‑0.84)。现有评分模型ARR 在本文训练集上的 C‑statistic为 0.71 (95% CI, 0.65‑0.77),验证集为 0.74 (95% CI, 0.69‑ 0.78)。可见,本文所建立的评分模型与现有模型相比,在预测精准度上具有显著的提高

模型一致性结果如下图所示,Hosmer‑Lemeshow 检验所得统计值 1.144,p‑value=0.8,说明此模型一致性结果较高。

下图展示了风险得分为 0‑4 分人群的 Kaplan‑ Meier 曲线(ESKD 及联合结局)。Log‑rank test 的结果(P < 0.001)说明发现利用本文的评分模型对 IgA 肾病病人的预后风险进行了很好的分层。

结论

本文建立了 IgAN 患者的肾脏预后风险预测系统 NJIgAN‑RSS,包含了精准的 XGBoost 概率预测模型以及简化版的 SSM打分模型,并对其进行了外部验证。与现有的 ARR 模型相比取得了更加精准的预测性能。该项研究推动了 AI 算法在疾病预测方面的应用。

NJIgAN‑RSS 系统已在网上公开发布(http://njszb. gdpcloud.com/),用户输入各项参数后,便可获得患者五年内的预后风险概率以及风险等级。

论文地址:

https://www.sciencedirect.com/science/article/pii/S0272638619306183

原文发布于微信公众号 - 新智元(AI_era)

原文发表时间:2019-05-20

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券