论文部分内容阅读
目的:比较logistic回归分析模型与神经网络模型用于预测妊娠合并SLE患者的妊娠结局的准确性;在传统神经网络模型上进行改进,使得神经网络模型能够提高对妊娠合并SLE患者妊娠丢失的预测敏感性。方法:本研究为回顾性单中心研究,收集2011年9月至2018年6月期间于上海交通大学医学院附属仁济医院妇产科收治并完成分娩的妊娠合并SLE患者469例,收集其临床资料,采用二元logistic回归分析以及神经网络建立预测妊娠结局的模型。神经网络模型选取多层感知器(Multilayer Perceptron,MLP)和径向基函数(Radial Basis Function,RBF)两种,神经网络模型的改进采用引入“比较学习”、“专注学习”理念以及降低预测阈值的方法,使得模型对于不平衡妊娠结局中妊娠丢失的预测敏感性显著提升。结果:Logistic回归模型对妊娠丢失的预测准确率为44.9%,对活产的预测准确率为97.3%,总体预测准确率为91.9%,ROC曲线下面积(AUC)为0.899;MLP神经网络模型在测试中对活产的预测准确率为97.8%,对妊娠丢失的预测准确率为42.9%,总体预测准确率为92.9%,ROC曲线的曲线下面积(AUC)为0.911;RBF神经网络模型在测试中对活产的预测准确率为97.6%,对妊娠丢失的预测准确率为11.8%,总体预测准确率为87.5%,ROC曲线的曲线下面积(AUC)为0.880。MLP神经网络模型在预测妊娠合并SLE患者妊娠结局方面更具优势。改进后的神经网络模型在内部测试中,对妊娠丢失的预测准确率为100%,总体预测准确率为82.7%;在外部测试中,妊娠丢失的预测准确率为81.8%,总体预测准确率为75.5%。改进后的神经网络模型对妊娠丢失的预测准确性更高,更具有临床应用价值。结论:预测妊娠合并SLE患者妊娠结局的准确性方面,MLP神经网络模型优于logistic回归模型以及RBF神经网络模型。但传统MLP神经网络模型对于不平衡妊娠结局中妊娠丢失的预测敏感性较低,通过对神经网络模型进行改进,可提高对于妊娠丢失的预测敏感性,尽可能发现潜在妊娠丢失患者,帮助临床医生进行治疗方案的选择,减少一部分不必要的妊娠丢失。