人工神经网络和传统回归方法在预测肾小球滤过率效能的比较研究

Our previous study found that the artificial neural network (ANN) was superior to the traditional equation in glomerular filtration rate (GFR) assessment. Furthermore, we found that the new ANN using the same variables as the Chronic Kidney Disease Epidemiology Collaboration (CKD-EPI) equation offered better results than the modified CKD-EPI equation derived using the same dataset in our study. Accordingly, we use the same variables, the same calibration of serum creatinine and cystatin C assays, the same measurement of GFR and the same participants in this study and intend to make a head to head trial to compare the performances between ANN and traditional regression in the field of GFR estimation. The main content includes as follows. ① to re-establish the study sample database; sample size calculation; standard GFR is determined by the two-sample Tc-DTPA method calibrated to the renal inulin clearance; serum creatinine and cystatin C are all traceable to the certified reference materials; data using double-entry; ② based on three groups of traditional predictors, stepwise selection of the alternative indicators to establish the optimal GFR marker combination; to establish the new GFR prediction equations by multiple linear regression and generalized additive model; to establish the new GFR prediction models by ANNs, including Back Propagation network with genetic algorithm as well as network with weights and structure policy; ③ the establishment of a software program platform with database functionality and math ability; the trial run of the software and the establishment of the final GFR prediction model; external validation the GFR prediction model by independent data sets. The project is of great significance on the improvement of the diagnosis and treatment of CKD and to maintain the health of the Chinese people.

我们预试验发现人工神经网络（ANN）预测肾小球滤过率（GFR）的准确性优于传统方程。进一步实验证实以CKD-EPI方程相同指标建立的ANN优于经我方数据修订的CKD-EPI方程。本项目拟更深入直接比较ANN和传统回归方法在预测GFR效能上的差异。重点研究内容：①获取高质量研究数据：经样本量估算重建研究数据库；GFR金标准用菊粉清除率校准双血浆DTPA法测定；血清肌酐和胱抑素C用国际认证质控品溯源；双录入数据保证质量；②数据建模：利用多元回归以及广义相加模型分别重新构建GFR预测方程；以遗传算法优化BP神经网络和权值与结构双确定神经网络分别建立GFR预测新模型；③模型评估：建立评估平台，实现模型展示、验证以及动态完善；以独立外部数据验证模型效能。本项目旨在获得在GFR预测领域ANN优于传统回归方法的可靠证据，进而建立适合中国人群的最优GFR预测模型，有望为临床肾功能评价提供更准确的简便手段。

慢性肾脏病是一种常见疾病，患病人数多，死亡率高，社会经济负担重，已成为影响人类健康的重要公共卫生问题。CKD 严重威胁人民健康和生活质量！在 CKD 诊疗中，正确评价肾小球滤过率非常重要，我国目前缺乏能在临床广泛应用的GFR评价准确方法。本项目利用中山三院天河和萝岗两个独立院区3000多例CKD病例，GFR 金标准采用双血浆 DTPA 方法校准的肾动态显像法测定；血清肌酐用同位素稀释质谱法定值的肌酐质控品（SRM 967）、血清胱抑素 C用国际临床化学和实验室医学联盟标化的胱抑素 C 质控品（ERM-DA471）溯源；采用双录入进行数据记录。分别利用多元回归重新构建中国人群 GFR预测方程；以遗传算法优化BP神经网络、支持向量机、集成学习模型和聚类算法建立 GFR 预测新模型。以独立的外部数据从国际通用的偏差、精确度、准确性和预测 GFR分期等方面全面评估各预测模型效能。我们用集成学习方法将人工神经网络、支持向量机和回归模型综合判断，和根据血清肌酐分类基础上建立回归方程相比，在精确度方面明显提升，偏差和准确性方面效能相当，研究结果发表在J Transl Med 杂志（Liu X. J Transl Med. 2017;15(1):231）。我们对中山大学附属第三医院的CKD病人数据，以2011年5月至2015年6月的患者作为建模组，以2015年7月至2016年6月的患者为外部验证组，其中GFR金标准为核素双血浆法校正的DTPA肾动态显像法，采用线性回归和集成学习方法的建模方法，对不同指标的组合进行头对头的比较，不管是从偏差还是准确性方面都超越了CKD-EPI方程建模方法开发出来的新预测模型。我们用聚类算法对肾小球滤过率建模组数据分类基础上建立回归方程，和单纯回归算法相比，在偏差、精确度和准确性方面都全面占优。本课题建立适合中国人群的 GFR 评估新方法，对合理有效防治 CKD，保持人民健康有重要意义。