突发性聋大数据分析
采用一种先进的深度学习算法即深度信念网络(Deep belief network, DBN)对突聋治疗预后风险模型。机器学习算法,如多层感知器(MLP),支持向量机(SVM)等已经成功运用于生物医学领域,旨在揭示未知的、隐藏的和复杂的趋势,并简化临床实践和研究人员的整体数据预处理工作。DBN被报道在提取复杂的非线性特征方面更具优势。最新的研究表明,当DBN纳入所有可能的预测因子时其对突聋预后的预测能力优于浅层学习算法。同时DBN能够在没有专家意见的提示下自动提取对预后预测有意义的变量的能力。这些优势使DBN未来为耳科临床大数据信息的挖掘提供了重要技术保障和依据。自2008年6月至2015年12月在基于耳聋信息化动态监控系统的听力学动态监控系统(MCCA)中,筛选纳入1220例单侧特发性突发性耳聋患者。其中男性643例,女性577例,年龄5-89岁,平均43.72±16.21岁[95%置信区间(confidential interval, CI),42.81-44.63岁]。
基于深信度网络(DBN),逻辑回归(LR),支持向量机(SVM)和多层感知器(MLP)建立的突聋预后预测模型的性能对比。所有模型分别输入包含3、11、18、21、47、149个变量的数据集进行训练和测试。与LR,SVM和MLP相比,DBN表现出明显更好的准确度(准确度:单因素方差分析,F= 12.80,P= 0.0005; ROC-AUC:单因素方差分析,F= 10.60,P= 0.0011; *P<.05,**P<.01,***P<.001)。当在原始特征集(149个变量)中进行测试时,DBN平均准确度为77.58%,平均ROC-AUC为0.84,达到优秀预测模型的标准。而LR的准确性仅67.45%,ROC-AUC 0.73;SVM具有比LR稍高的准确性(68.14%)和ROC-AUC(0.76);MLP则表现最差(准确率:63.90%,ROC-AUC:0.68)。
通过对2008年6月至2015年12月期间在我院耳内科病房住院治疗的1220例单侧特发性突发性耳聋患者分析发现,疗效与病程显著相关。起病后7天、14天和21天接受治疗,总有效率分别为76.74%、75.91%和50.00%,超过21天,有效率陡降至22.31%。因此,起病14天内干预是最佳干预时间节点,综合治疗干预时间窗为1-21天。