人工智能模型预测输尿管结石自然排出的多中心临床试验的验证研究

doi:10.12114/j.issn.1007-9572.2021.01.203

摘要/Abstract

摘要： 背景　人工智能技术作为一种新型的诊断和分析工具已逐渐应用于影像技术、医学大数据分析、医学诊断和医疗保健预算等各个方面，目前有学者应用人工智能模型（AIM）建立了输尿管结石排出的预测模型并取得了较为满意的预测结果，但尚无获得临床一致认可的多中心验证报道。目的　评估输尿管结石自然排出人工智能预测模型在多中心临床应用中的普适性及准确性，并进一步推广运用。方法　选择2017年9月—2020年3月在新疆生产建设兵团一师医院、四师医院、七师医院、九师医院、十三师红星医院及石河子大学医学院第一附属医院泌尿外科收治的1 620例采取保守排石治疗的输尿管结石患者为研究对象，采集纳入患者的年龄、疼痛程度、结石直径、结石位置（上段、中段、下段）、白细胞计数、中性粒细胞计数、淋巴细胞计数、中性粒细胞分数、C反应蛋白（CRP）9项指标。参考前期研究结果，建立人工智能预测模型，并判断结石能否自然排出指导患者制定治疗决策。通过为期4周的随访，根据随访结果综合分析AIM的预测效能。根据结石大小进一步分层，将直径>1 cm输尿管结石归类为大结石组，≤1 cm输尿管结石归类为小结石组，进一步评估AIM对较大输尿管结石的预测效能。结果　随访期间992例患者排出结石，排出率为61.23%。两组年龄、结石位置、中心粒细胞计数、淋巴细胞计数、中性粒细胞分数比较，差异均无统计学意义（P>0.05）。两组疼痛程度、结石直径、白细胞计数、CRP比较，差异均有统计学意义（P<0.05）。AIM预测输尿管结石排出的灵敏度、特异度及准确率分别为87.10%、85.99%和86.67%；小结石组患者1 121例，763例（68.06%）排出结石，预测灵敏度、特异度和准确率分别为87.94%、87.15%和87.69%；大结石组499例，排石率为229（45.89%），预测灵敏度、特异度和准确率分别为84.28%、84.44%和84.37%。结论　预测输尿管结石能否自然排出的AIM在多中心临床评价中得到一致性认可。对于较大输尿管结石排出的预测效能准确，具有较强泛化能力。

关键词: 输尿管结石, 人工智能, 预测模型, 多中心研究（主题）

Abstract: Background　As a new auxiliary tool for diagnosis and analysis，artificial intelligence technology has been gradually applied to imaging medicine，medical big data analysis，diagnostics and medical expense budget. The prediction model for spontaneous ureteral calculus passage developed using artificial neural network by our hospital（First Affiliated Hospital，School of Medicine，Shihezi University）has proven to have satisfactory performance，but has not been tested by recognized multicenter clinical trials. Objective　To evaluate the accuracy and applicability of the prediction model of spontaneous ureteral calculus passage using artificial neural network developed by our hospital using a multicenter clinical trial，to provide evidence facilitating its promotion. Methods　From September 2017 to March 2020，we enrolled 1 620 urological patients with ureteral calculus who received conservative stone treatment in six hospitals（First Division Hospital，Fourth Division Hospital，Seventh Division Hospital，Ninth Division Hospital，and 13th Division Red Star Hospital of the Xinjiang Production and Construction Corps，and First Affiliated Hospital，School of Medicine，Shihezi University）. Nine parameters were collected，containing age，pain degree，calculus size，location，leucocyte count，neutrophil count，neutrophil percentage，lymphocyte count and C-reactive protein level，which were applied as predictive parameters included in the model developed using artificial neural network with the result of previous research for reference for predicting spontaneous ureteral calculus passage in patients with at least a small （≤1 cm）calculus，and large（>1 cm）calculus，and the prediction results were compared with actual conditions in a 4-week follow-up to estimate the accuracy of the model. Results　During the follow-up period，992 cases had spontaneous ureteral calculus passage，accounting for 61.23% of the total cases，who included 763 （68.06%）from the small calculus group（n=1 121），and 229 （45.89%）from the large calculus group（n=499）. The distribution of pain level，mean calculus diameter，leucocyte count，and C-reactive protein level differed obviously between those with and without spontaneous ureteral calculus passage（P<0.05），but distribution of calculus location，mean age，neutrophil percentage，and lymphocyte count did not（P>0.05）. For predicting the overall spontaneous ureteral calculus passage，the sensitivity，specificity and accuracy of the model were 87.10%，85.99% and 86.67%，respectively. For patients with at least one small calculus，the sensitivity，specificity and accuracy of the model were 84.28%，84.44% and 84.37，respectively. For patients with at least one large calculus，the sensitivity，specificity and accuracy of the model were 87.94%，87.15% and 87.69%，respectively. Conclusion　The accuracy of the model in predicting spontaneous passage of ureteral calculi，especially the calculus larger than 1 cm in diameter，has been recognized in our multicenter clinical trial.

Key words: Ureteral calculi, Artificial intelligence, Prediction model, Multicenter studies as topic

曾凯,王新敏,倪钊,等. 人工智能模型预测输尿管结石自然排出的多中心临床试验的验证研究[J]. 中国全科医学, 2021, 24(23): 3005-3008. DOI: 10.12114/j.issn.1007-9572.2021.01.203.
ZENG Kai,WANG Xinmin,NI Zhao, et al. Validating the Performance of a Prediction Model for Spontaneous Ureteral Calculus Passage Using Artificial Neural Network：a Multicenter Clinical Trial　[J]. Chinese General Practice, 2021, 24(23): 3005-3008. DOI: 10.12114/j.issn.1007-9572.2021.01.203.

参考文献

［1］JENDEBERG J，GEIJER H，ALSHAMARI M，et al. Size matters：the width and location of a ureteral stone accurately predict the chance of spontaneous passage［J］. Eur Radiol，2017，27（11）：4775-4785. DOI：10.1007/s00330-017-4852-6.
［2］TüRK C，PETRíK A，SARICA K，et al. EAU guidelines on diagnosis and conservative management of urolithiasis［J］. Eur Urol，2016，69（3）：468-474. DOI：10.1016/j.eururo.2015.07.040.
［3］RIZVI S A H，NAQVI S A A，HUSSAIN Z，et al. The management of stone disease［J］. BJU Int，2002，89（Suppl 1）：62-68. DOI：10.1046/j.1465-5101.2001.134.x.
［4］STRAUB M，BADER M，STRITTMATTER F. Management of ureteral stones［J］. Der Urol Ausg A，2013，52（3）：415-426. DOI：10.1007/s00120-013-3122-8.
［5］曾凯，李应龙，钱彪，等. 人工神经网络在预测输尿管结石自行排出中的应用研究［J］. 中国全科医学，2016，19（20）：2430-2434.
ZENG K，LI Y L，QIAN B，et al. Application of artificial neural network in the prediction of spontaneous ureteral Calculus passage［J］. Chinese General Practice，2016，19（20）：2430-2434.
［6］CUMMINGS J M，BOULLIER J A，IZENBERG S D，et al. Prediction of spontaneous ureteral calculous passage by an artificial neural network［J］. J Urol，2000，164（2）：326-328.
［7］曾凯. 基于预测输尿管结石自然排出的人工神经网络模型的建立及应用［D］. 石河子：石河子大学，2017.
［8］刘琚，吴强，于璐跃，等. 基于深度学习的脑肿瘤图像分割［J］. 山东大学学报：医学版，2020，58（8）：42-49，73.
LIU J，WU Q，YU L Y，et al. Brain tumor image segmentation based on deep learning techniques［J］. Journal of Shandong University：Health Sciences，2020，58（8）：42-49，73.
［9］CHIU J S，WANG Y F，SU Y C，et al. Artificial neural network to predict skeletal metastasis in patients with prostate cancer［J］. J Med Syst，2009，33（2）：91-100.
［10］杨龙雨禾，王跃强，邱学德，等. 人工智能在泌尿外科影像学诊断的现状及展望［J］. 分子影像学杂志，2020，43（2）：225-229. DOI：10.12122/j.issn.1674-4500.2020.02.10.
［11］刘彼得，李循，文彬，等. 输尿管壁厚度诊断输尿管结石嵌顿的临床研究［J］. 临床泌尿外科杂志，2019，34（3）：176-179. DOI：10.13201/j.issn.1001-1420.2019.03.003.
［12］SARICA K，ERYILDIRIM B，SAHIN C，et al. Impaction of ureteral stones into the ureteral wall：Is it possible to predict? ［J］. Urolithiasis，2016，44（4）：371-376. DOI：10.1007/s00240-015-0850-9.
［13］沈杰，顾燕青，沈俭. CRP在肾绞痛、输尿管结石患者并发严重上尿路感染诊疗中的应用价值［J］. 临床泌尿外科杂志，2018，33（5）：410-412. DOI：10.13201/j.issn.1001-1420.2018.05.019.
SHEN J，GU Y Q，SHEN J. Application of C-reactive protein in the treatment of patients suffering from renal colic and ureteral Calculus combined with upper urinary tract infection［J］. Journal of Clinical Urology，2018，33（5）：410-412. DOI：10.13201/j.issn.1001-1420.2018.05.019.
［14］屈健，刘卫洪，王江平，等. 血白细胞与C反应蛋白及疼痛分级对输尿管结石自排的影响研究［J］. 中国全科医学，2014，17（32）：3827-3830. DOI：10.3969/j.issn.1007-9572.2014.32.012.

[1]	王珍, 申国旗, 李亚南, 朱英华, 仇航, 郑迪, 徐通达, 李文华. 急性心肌梗死患者行经皮冠状动脉介入治疗术后发生对比剂急性肾损伤风险预测模型的建立与验证研究[J]. 中国全科医学, 2023, 26(29): 3650-3656.
[2]	陈龙, 曾凯, 李莎, 陶璐, 梁玮, 王皓岑, 杨如美. 人工智能算法偏见与健康不公平的成因与对策分析[J]. 中国全科医学, 2023, 26(19): 2423-2427.
[3]	郭天赐, 陈继鑫, 余伟杰, 刘爱峰. 人工智能在骨关节炎诊疗中的应用进展[J]. 中国全科医学, 2023, 26(19): 2428-2433.
[4]	沈惠文, 林永忠, 陈淑良, 张立红, 马春野, 马得原, 张策. 基于人工智能算法的脑卒中溶栓药物精准治疗：真实世界研究[J]. 中国全科医学, 2023, 26(17): 2070-2077,2088.
[5]	沈傲梅, 路潜, 符鑫, 韦小夏, 卞静如, 张丽媛, 强万敏, 庞冬. 基于前瞻性队列研究的Meta分析构建乳腺癌相关淋巴水肿风险预测模型研究[J]. 中国全科医学, 2023, 26(17): 2078-2088.
[6]	陈向阳, 李舍予. 非内分泌病房住院糖尿病患者的血糖管理[J]. 中国全科医学, 2023, 26(15): 1799-1803.
[7]	刘春, 蹇文渊, 段俊国. 人工智能应用于糖尿病视网膜病变的文献计量学分析[J]. 中国全科医学, 2023, 26(15): 1847-1856.
[8]	涂嘉欣, 叶惠清, 张小强, 林雪婷, 杨善岚, 邓莉芳, 吴磊. 2000—2022年人工智能应用于食管癌领域全球研究的可视化分析[J]. 中国全科医学, 2023, 26(06): 760-768.
[9]	贺婷, 袁丽, 杨小玲, 叶子溦, 李饶, 古艳. 亚洲2型糖尿病发病风险预测模型的系统评价[J]. 中国全科医学, 2022, 25(34): 4267-4277.
[10]	王永剑, 齐伟静, 王翼鹏, 黄莎, 李丛, 魏娜, 胡洁. 产后抑郁预测模型的分类与比较[J]. 中国全科医学, 2022, 25(24): 3036-3042.
[11]	饶艳, 姚梅琪, 江大为, 毛翠. 脑卒中后发生急性肾损伤风险预测模型的构建及验证[J]. 中国全科医学, 2022, 25(23): 2885-2891.
[12]	王中瑞, 符宇, 赵瑞霞, 余海滨, 邵明义, 燕树勋, 韩景辉, 刘会娟, 朱蓉, 远佳瑶, 李蕾蕾, 崔伟锋, 王娴. 糖尿病合并稳定型心绞痛患者发生主要不良心脑血管事件的中医预测模型构建及应用评估研究[J]. 中国全科医学, 2022, 25(20): 2450-2456.
[13]	武爱媛, 热米拉·热扎克, 乔友林. 人工智能在宫颈病变诊断及治疗中的应用进展与挑战[J]. 中国全科医学, 2022, 25(18): 2215-2222.
[14]	吴久纯, 李甜, 李晓东, 卓越, 张玉娇, 刘敬禹. 基于人工智能随访预测肺结节增长的影响因素研究[J]. 中国全科医学, 2022, 25(17): 2115-2120.
[15]	邹倩, 耿苗苗, 祝延红. 基于循证理论构建重症监护病房患者多重耐药菌感染风险预测模型及外部验证研究[J]. 中国全科医学, 2022, 25(12): 1441-1448.