人工智能也能治病？预测乙肝历程比人还准确？

乙肝导致的肝衰竭治疗无理想预后模型

HBV是慢性肝衰竭（ACLF）的主要原因之一，其主要特征是肝功效迅速恶化，短期死亡率较高。

在中国，HBV相关的ACLF（HBV-ACLF）占整个ACLF病例的80％以上，如果不举行有效治疗（例如移植），将导致很高的死亡率（60-80％）。

肝移植现在是HBV-ACLF最有效的治疗选择。可是，由于肝脏捐赠者的短缺和一些社会经济问题，肝脏移植受到了限制。为了降低HBV-ACLF的死亡率，准确地识别预后较差的患者是至关重要的，以便让其从有限的肝供体中分配器官，尽早接受治疗。

现在，实际上还没有理想的模型可以预测HBV-ACLF患者的短期预后。现在已经拥有MELD-Na模型，用来预测患者预后ACLF，然而，由于有限的预测准确性，这些评分系统仍然不能令人满足。因此，现在临床迫切需要更准确的预后模型。

人工神经网络预测模型相关研究

现在的重点是要联合更多临床的重要参数来构建预测ACLF短期死亡率的模型。

人工神经网络（ANN）已被广泛用于治理非线性庞大生物系统。例如，ANN模型已被用于预测早期肝细胞癌的肝切除术后存活率，下肢大截肢后2型糖尿病的院内死亡率，成神经细胞瘤患者的预后和腰椎后路融合心脏并发症患者的预后。据透露，该人工神经网络模型比多重逻辑回归更准确和多元线性判别分析模型。

来自首都医科大学的研究人员使用了这个方法在BMC Gastroenterol上发文，开发了一套通过人工神经网络（ANN）系统预测乙型肝炎病毒（HBV）相关的慢性慢性肝衰竭（HBV-ACLF）的28天和90天死亡率的预后模型。

研究回首性分析了684例HBV-ACLF患者。423个案例用于训练和构建ANN模型，其余261个案例用于验证已建设的模型。通过单因素分析确定与死亡率相关的预测因素，然后将其纳入ANN模型以预测死亡率的预后。与当前种种预测模型相比，使用吸收器事情特征（ROC）曲线分析来评估ANN模型的预测性能。

人工神经网络模型可有效预测

效果显示，在ANN训练历程找到具有统计学差异或具有重要临床特征的变量， 8个独立的危险因素，包罗年事，肝性脑病，血清钠，凝血酶原活性，γ-谷氨酰转移酶，乙型肝炎e抗原，碱性磷酸酶和总胆红素，最终通过这些建设ANN模型。

对于训练行列和验证行列，无论是28天死亡率还是90天死亡率，该模型的预测准确性显着高于针对终末期肝病MELD，MELD-Na，慢性肝功效衰竭-ACLF（CLIF-ACLF）和Child-Turcotte-Pugh（CTP）的模型。

在这项研究中，建设了预测模型，然后在来自差别中心的差别行列中举行了交织验证。这确保了所构建的模型可以独立有效地举行验证。

通过不停归纳演绎的历程，人工神经网络可以淘汰由新数据集引起的错误，建设的ANN模型可以更准确地为每位患者提供了28天和90天死亡风险的准确预测值。

研究人员还认为，人工神经网络在快速，准确地治理非线性庞大生物系统方面具有显着的优势。在即将到来的“大数据”时代，可以从各个医疗中心共享有关HBV-ACLF患者病例的大量临床数据，而足够的相关变量和大样本量将使ANN模型越发精准。

参考文献：Artificial neural network-based models used for predicting 28- and 90-day mortality of patients with hepatitis B-associated acute-on-chronic liver failure