论文部分内容阅读
目的：
百草枯(paraquat,PQ)是一种剧毒的有机杂环类除草剂，而PQ中毒后缺乏有效的解毒剂，病程进展迅速，病死率高达60-80%，因此在中毒早期通过临床指标判断患者的中毒严重程度及预后显得尤为重要。目前认为PQ中毒患者的最佳预后判断指标是血浆PQ浓度(PQ concentration,PQC)，但是血浆PQ浓度的检测需要复杂精密的仪器，很多医疗单位并不具备检测条件，因此当务之急是筛选出预测效果好、方便实用的预后指标。而目前的研究表明，PQ中毒患者的肝肾功能会受到严重的损害，并与患者的病死率密切相关，但血清生化指标与患者的预后之间的关系尚未明确。血清生化指标是反映肝肾功能的灵敏、常规的检验指标，因此本研究首先检测患者血浆PQ浓度和血清肝肾功能，并利用这些指标，采用机器学习等生物信息学分析手段，分别建立患者血浆PQ浓度、血清肝肾功能与疾病预后的预测模型，为PQ患者的个体化治疗提供参考，改善预后，为临床治疗提供数据支持。
方法：
入组2013年10月1日至2017年10月1日期间温州医科大学附属第一医院急诊初次就诊的PQ中毒患者，采用高效液相色谱法(high performance liquid chromatography,HPLC)测定血浆PQ浓度，用自动生化分析仪测定初次就诊时的血清肝肾功能指标，并将不同预后状态患者的指标进行独立样本t检验与Logistic回归分析。通过网站http://www.ntu.edu.sg/home/egbhuang进行编码，再利用患者的血浆PQ浓度与血清生化指标对模型进行训练、调校以预测患者的预后。通过Fisher评分来确定与PQ患者预后密切相关的指标并筛除无关或冗余的指标。基于Fisher评分的结果，采用极限学习机(extreme learning machine,ELM)通过机器学习用于诊断PQ患者的预后状况，并严格评估所创建的ELM方法的准确性，敏感性和特异性。
结果：
本研究共有101例PQ中毒患者纳入研究，入院后30天内共有51名患者死亡，累积病死率达到50.5%。通过对两组患者的PQC与生化指标进行比较，结果表明，PQ中毒患者生存组与死亡组之间的血浆PQC值与部分血清生化指标存在着显著差异(P<0.01)，其中包括天冬氨酸氨基转移酶(aspartate aminotransferase,AST)、丙氨酸氨基转移酶(alanine aminotransferase,ALT)、总胆红素(total bilirubin,TBIL)、直接胆红素(direct bilirubin,DBIL)、谷丙谷草比值(ALT/AST)、血肌酐(creatinine,CR)。先将患者初次就诊的血浆PQC数据与患者预后进行关联并建立了极限学习机模型，患者血浆PQC对患者预后的预测准确度(accuracy,ACC)达到了85.2%，灵敏度(sensitivity)为73.4%，特异度(specificity)高达97.2%，这证明血浆PQC是预测PQ急性中毒患者预后的较好指标。再将12个血清生化指标作为输入层建立极限学习机模型与PQ中毒患者的预后关系，准确度为74.8%，灵敏度为68.2%，特异度为81.7%。之后，为了进一步提高模型的效能，本研究应用Fisher评分的特征选择方法筛除无关或冗余的生化指标变量，通过Fisher评分构建出12个新的数据子集。最终发现，在输入层数据子集的索引包含6个生化指标变量时，其重新构建的模型预测效能达到最佳，其预测准确度达到了79.6%、灵敏度上升至74.6%、预测特异度为84.9%，准确度与灵敏度达到了与血浆PQC相似的预测水平。这6个生化指标分别为AST、TBIL、DBIL，、ALT、CR、ALT/AST。
结论：
本研究通过特征选择和极限学习机方法为PQ中毒患者的预后建立了一种新的模型，这个模型以临床常规的6个血清生化指标为参数，为快速评估预后、指导临床救治提供数据支持。
百草枯(paraquat,PQ)是一种剧毒的有机杂环类除草剂，而PQ中毒后缺乏有效的解毒剂，病程进展迅速，病死率高达60-80%，因此在中毒早期通过临床指标判断患者的中毒严重程度及预后显得尤为重要。目前认为PQ中毒患者的最佳预后判断指标是血浆PQ浓度(PQ concentration,PQC)，但是血浆PQ浓度的检测需要复杂精密的仪器，很多医疗单位并不具备检测条件，因此当务之急是筛选出预测效果好、方便实用的预后指标。而目前的研究表明，PQ中毒患者的肝肾功能会受到严重的损害，并与患者的病死率密切相关，但血清生化指标与患者的预后之间的关系尚未明确。血清生化指标是反映肝肾功能的灵敏、常规的检验指标，因此本研究首先检测患者血浆PQ浓度和血清肝肾功能，并利用这些指标，采用机器学习等生物信息学分析手段，分别建立患者血浆PQ浓度、血清肝肾功能与疾病预后的预测模型，为PQ患者的个体化治疗提供参考，改善预后，为临床治疗提供数据支持。
方法：
入组2013年10月1日至2017年10月1日期间温州医科大学附属第一医院急诊初次就诊的PQ中毒患者，采用高效液相色谱法(high performance liquid chromatography,HPLC)测定血浆PQ浓度，用自动生化分析仪测定初次就诊时的血清肝肾功能指标，并将不同预后状态患者的指标进行独立样本t检验与Logistic回归分析。通过网站http://www.ntu.edu.sg/home/egbhuang进行编码，再利用患者的血浆PQ浓度与血清生化指标对模型进行训练、调校以预测患者的预后。通过Fisher评分来确定与PQ患者预后密切相关的指标并筛除无关或冗余的指标。基于Fisher评分的结果，采用极限学习机(extreme learning machine,ELM)通过机器学习用于诊断PQ患者的预后状况，并严格评估所创建的ELM方法的准确性，敏感性和特异性。
结果：
本研究共有101例PQ中毒患者纳入研究，入院后30天内共有51名患者死亡，累积病死率达到50.5%。通过对两组患者的PQC与生化指标进行比较，结果表明，PQ中毒患者生存组与死亡组之间的血浆PQC值与部分血清生化指标存在着显著差异(P<0.01)，其中包括天冬氨酸氨基转移酶(aspartate aminotransferase,AST)、丙氨酸氨基转移酶(alanine aminotransferase,ALT)、总胆红素(total bilirubin,TBIL)、直接胆红素(direct bilirubin,DBIL)、谷丙谷草比值(ALT/AST)、血肌酐(creatinine,CR)。先将患者初次就诊的血浆PQC数据与患者预后进行关联并建立了极限学习机模型，患者血浆PQC对患者预后的预测准确度(accuracy,ACC)达到了85.2%，灵敏度(sensitivity)为73.4%，特异度(specificity)高达97.2%，这证明血浆PQC是预测PQ急性中毒患者预后的较好指标。再将12个血清生化指标作为输入层建立极限学习机模型与PQ中毒患者的预后关系，准确度为74.8%，灵敏度为68.2%，特异度为81.7%。之后，为了进一步提高模型的效能，本研究应用Fisher评分的特征选择方法筛除无关或冗余的生化指标变量，通过Fisher评分构建出12个新的数据子集。最终发现，在输入层数据子集的索引包含6个生化指标变量时，其重新构建的模型预测效能达到最佳，其预测准确度达到了79.6%、灵敏度上升至74.6%、预测特异度为84.9%，准确度与灵敏度达到了与血浆PQC相似的预测水平。这6个生化指标分别为AST、TBIL、DBIL，、ALT、CR、ALT/AST。
结论：
本研究通过特征选择和极限学习机方法为PQ中毒患者的预后建立了一种新的模型，这个模型以临床常规的6个血清生化指标为参数，为快速评估预后、指导临床救治提供数据支持。