基于機器學習算法探討慢性疲勞綜合征中疲勞分值與左室舒張功能的相關性

朱鴻 袁羽佳 王俊祎 劉洋 方彥鵬

(貴州中醫藥大學第二附屬醫院超聲醫學科,貴州 貴陽 550003)

1 資料與方法

1.1一般資料 根據我院2020年01月至2022年03月部分職工的體檢數據,隨機提取653例,簽署知情同意書后,進行疲勞量表問卷填寫及心臟超聲檢查,用于構建模型,變量來源包括職工的性別、年齡、生化指標、心臟超聲、疲勞分值等。排除已患有各種基礎疾病者。

1.2研究方法 本研究的重要數據包括疲勞量表分值及心臟超聲結果。慢性疲勞的癥狀是難以定義的,尤其在主觀感覺上。許多專家于1992年共同研制了疲勞量表-14[1](Fatigue Scale-14,FS-14),以計算疲勞分值的方式來篩選疲勞病例,測定疲勞癥狀的嚴重性,并可評估臨床療效。FS-14由14個問題組成,每個問題都與疲勞相關,從不同角度反映疲勞的輕重,其包含軀體疲勞及腦力疲勞兩個方面,受試者根據實際情況回答“是”或“否”。軀體疲勞分值最高為8,腦力疲勞分值最高為6,兩者之和為疲勞總分值,最高分值為14,分值越高,反映疲勞越嚴重。而心臟超聲檢查主要包括各房室腔大小、主動脈及肺動脈內徑,左心室的收縮功能及舒張功能、心臟血流動力學等等有關數據。尤其是左室舒張早期血流峰值(E),左室舒張晚期血流峰值(A)及E/A比值等與左室舒張功能相關的數據。通過對653例醫務人員的體檢數據、心臟超聲、疲勞量表相關問卷的采集和數據錄入,使用機器學習XGBoost算法,建立人工智能診斷模型,得出受試者工作特征曲線(ROC),計算出AUC(Area Under Curve)值以獲取其有效性。

1.3統計學方法 機器學習(machine learning,ML)是應用計算機模擬或實現人類的學習行為,在疾病的診斷、預后中具有較高的準確性。Xtreme Gradient Boosting(XGBoost)[2]是一種專為診斷而設計的機器學習算法,它可將單獨預診斷效果很弱的分類器組合成為穩健的估計器,建立診斷模型,通過計算增益(Gain)對變量池中的變量進行選擇,由xgboost自動計算并自動選擇。

2 結 果

2.1XGBOOST決策樹 將收集到的數據按照7:3劃分為訓練集和測試集,先利用訓練集得出決策樹。從決策樹中可以看出,影響被解釋變量左室舒張功能是否降低最重要的解釋變量(節點分類依據)為疲勞指數score,其作為根節點,信息增益gain有212.71,信息增益度之和約為251.98。除此之外年齡也為比較重要的影響因素,開始出現在第三級的非終端節點中,共出現了4次,信息增益度gain約為12.96;而性別(男2,女1,>1.5為男性,<1.5為女性)則最晚出現非終端節點分類依據,說明性別對于被解釋變量左室舒張功能降低與否影響較小,且在整個決策樹中作為非終端節點只出現了1次,信息增益度gain之和約為2.13。根據以上模型可以看出,疲勞指數是最直接可以判定一個人是否會出現左室舒張功能降低情況的解釋變量,而隨著年齡增大,左室舒張功能降低情況更可能出現,中老年女性比中老年男性更可能出現左室舒張功能降低情況。

2.2XGBOOST模型決策樹的混淆矩陣 利用測試集得到的決策樹,可以得到以下混淆矩陣。陽性預測值PPV=TP/(TP+FP)=50/(50+17)=0.7463;真陽性率TPR=TP/(TP+FN)=50/(50+9)=0.8475;真陰性率TNR=TN/(TN+FP)=120/(120+17)=0.8759。可以看出該模型的陽性預測值、真陽性率、真陰性率都較高,該模型可信度較高。

2.3XGBOOST模型決策樹的ROC曲線 在本文中,選擇進一步利用ROC曲線來檢測模型的準確性。ROC曲線全稱為受試者工作特征曲線 (receiver operating characteristic curve),它是根據一系列不同的二分類方式(分界值或決定閾),以真陽性率(敏感性)為縱坐標,假陽性率(1-特異性)為橫坐標繪制的曲線。ROC曲線是研究二分類問題中一種簡便、高效的綜合性工具,它通過連接真陽率與假陽率在不同切斷點或者閾值下的值,構造出一條單調遞增曲線,曲線下的面積AUC( receiver operating characteristic curve)即可作為衡量診斷效果的指標,面積數值越大,則代表該分類方法越有效。ROC曲線在算法效度研究、心理測評、臨床醫學診斷中都有廣泛的應用[3]。AUC取值范圍在0.5和1之間。AUC越接近1.0,檢測方法真實性越高;等于0.5時,則真實性最低,無應用價值。本模型的AUC值為0.759,較大,說明本模型應用價值較高。

圖1 ROC曲線

3 討 論

慢性疲勞綜合征(chronic fatigue sydrome,CSF)是20世紀90年代中期由日本學者Fukuda首次提出[4]。迄今為止,其判定并無金標準。在我國,目前尚無CFS診治指南,現有診斷主要基于主觀問卷調查,少有客觀實驗室指標。雖然CFS與心血管系統疾病的研究相對較少,但有研究表明CFS與心血管系統功能的降低密切相關[5-7];另有通過心臟磁共振證實CFS患者的心臟容積、心輸出量明顯降低[8];Hollingsworth KG通過對一百多例CFS患者心臟超聲檢查發現,CFS患者的左室射血分數、舒張末期容積和心輸出量均明顯降低,且這種心功能的降低與CFS的病情嚴重程度呈正相關[5]。換言之,心臟超聲指標已被證實與慢性疲勞的發生、嚴重程度密切相關。

在本研究中,以醫護人員作為研究對象并建立相關隊列,初步建立了以疲勞分值及心臟超聲等客觀指標的CFS預測模型,為CFS的進一步診斷和治療提供了理論依據。