功能预测的比较分析:传统的统计方法与深度学习技术
Mizuki Ohashi1, Yuya Ishikawa2, Satoshi Arai3
1Shiga University of Medical Science, NCD Epidemiology Research Center, Shiga, Japan.
Clinical and experimental nephrology
|January 15, 2025
概括
与慢性病 (CKD) 患者的传统方法相比,深度学习模型没有提高功能预测的准确性. 这项研究强调了现有的统计方法对未来估计的膜过率 (eGFR) 的预测能力.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 人工智能在医学中的应用
- 生物统计学 生物统计学
背景情况:
- 慢性病 (CKD) 是一个日益严重的公共卫生问题,需要改进的方法来预测功能.
- 准确预测未来的功能对于早期发现,预防和治疗CKD至关重要.
- 日本慢性病数据库 (J-CKD-DB) 为研究慢性病进展提供了宝贵的资源.
研究的目的:
- 评估深度学习技术在预测慢性脏病患者未来估计膜过率 (eGFR) 的有效性.
- 将深度学习模型的预测准确度与使用真实世界CKD数据的传统统计方法进行比较.
- 评估模型处理缺失数据的实用性,以改善eGFR预测.
主要方法:
- 利用了来自J-CKD-DB-Ex前性纵向研究的数据,其中包括22,929名CKD患者,至少有两次eGFR测量.
- 采用多重线性回归作为传统的统计方法.
- 应用深度学习模型:Feed Forward神经网络 (FFNN) 和Gated Recurrent Unit (GRU) -D,用于预测未来的eGFR.
- 使用根平均平方误差 (RMSE) 量化预测准确度来比较模型性能.
主要成果:
- 多重线性回归模型实现了7.5mL/min/1.73m2的RMSE.
- 在FFNN模型的结果中,RMSE为7.9 mL/min/1.73 m2.
- 在GRU-D模型中,RMSE为7.6 mL/min/1.73 m2.
- 所有模型都在CKD的更高阶段表现得更好,RMSE值较低.
结论:
- 这项研究证明了现有数据集对慢性病患者未来eGFR的预测准确度.
- 包括FFNN和GRU-D在内的深度学习技术与传统的多重线性回归相比,并没有显著改善eGFR预测的准确性.
- 在J-CKD-DB-Ex数据集的背景下,传统的统计方法仍然有效地预测未来的功能.
