人工智能在肝性脑病风险预测模型中的应用进展

doi:10.3969/j.issn.1006-5725.2024.03.002

实用医学杂志 ›› 2024, Vol. 40 ›› Issue (3): 289-294.doi: 10.3969/j.issn.1006-5725.2024.03.002

人工智能在肝性脑病风险预测模型中的应用进展

黄良江¹,毛德文²,郑景辉⁴,王明刚³,姚春¹()

^1.广西中医药大学（南宁 530200 ）
^2.广西中医药大学第一附属医院肝病科（南宁 530023 ）
^3.广西中医药大学第一附属医院科研部（南宁 530023 ）
^4.广西中医药大学附属瑞康医院（南宁 530023 ）

收稿日期:2023-09-26 出版日期:2024-02-10 发布日期:2024-02-22
通讯作者: 姚春 E-mail:yaoc@gxtcmu.edu.cn
作者简介:姚春，二级教授，博士研究生导师，第二届广西壮族自治区桂派中医大师，全国“三八”红旗手。现任广西中医药大学校长。擅长治疗各类神经系统疾病、消化系统疾病以及内科疑难杂病。作为项目负责人承担了广西科技重大专项、广西首个中药民族药产业专项揭榜挂帅项目、2023年度国家自然科学基金区域创新发展联合基金重点支持项目等省部级以上科研项目10余项。荣获广西科学技术进步奖一等奖1 项、二等奖1项、三等奖3项，广西社会科学优秀成果奖二等奖1项。主编或参编专著（教材）3部。在专业期刊上发表论文90余篇，其中SCI收录14篇，拥有发明及实用新型专利3项，获得授权计算机软件著作权2项。
基金资助:
广西重点研发计划项目（编号：桂科AB22035076）;国家自然科学基金地区基金(82260899);广西研究生教育创新计划项目(YCSW2022343)

Application of artificial intelligence in HE risk prediction modelling and research advances

Liangjiang HUANG¹,Dewen MAO²,Jinghui ZHENG⁴,Minggang WANG³,Chun YAO¹()

Guangxi University of Traditional Chinese Medicine，Nanning 530200，China

Received:2023-09-26 Online:2024-02-10 Published:2024-02-22
Contact: Chun YAO E-mail:yaoc@gxtcmu.edu.cn

摘要/Abstract

摘要：

肝性脑病是由肝功能不全引起的中枢神经系统功能紊乱的临床综合征。它严重影响患者的生活质量，并可能导致死亡。准确预测肝性脑病的发生风险对于早期干预和治疗至关重要。为了提前识别患者的肝性脑病风险，许多研究都在致力于努力开发工具及方法，以尽早识别肝性脑病的风险，从而制定预防和早期管理策略。目前大多数传统的肝性脑病风险预测模型通过分析临床数据和生化指标等因素，来评估患者发生肝性脑病的概率，然而其准确性、灵敏性和阳性预测值都不高。人工智能在临床预测模型的应用是一个非常热门和有前景的领域，它可以利用大量的数据和复杂的算法来提高诊断和预后的准确性和效率。到目前为止，利用人工智能技术预测肝性脑病的研究还很少。因此，本文综述了肝性脑病风险预测模型的研究进展，探讨人工智能在肝性脑病风险预测模型中的应用前景，并指出人工智能在肝性脑病风险预测模型研究中的挑战及未来研究方向，以促进肝性脑病风险预测模型的发展和临床应用。

关键词: 肝性脑病, 风险预测模型, 人工智能技术, 机器学习

Abstract:

Hepatic encephalopathy is a clinical syndrome of central nervous system dysfunction caused by liver insufficiency. It severely affects the quality of life of patients and may lead to death. Accurate prediction of the risk of developing hepatic encephalopathy is crucial for early intervention and treatment. In order to identify the risk of hepatic encephalopathy in patients in advance， many studies have been devoted to efforts to develop tools and methods to identify the risk of hepatic encephalopathy as early as possible， so as to develop preventive and early management strategies. Most conventional hepatic encephalopathy risk prediction models currently assess the probability of a patient developing hepatic encephalopathy by analysing factors such as clinical data and biochemical indicators， however， their accuracy， sensitivity and positive predictive value are not high. The application of artificial intelligence to clinical predictive modelling is a very hot and promising area， which can use large amounts of data and complex algorithms to improve the accuracy and efficiency of diagnosis and prognosis. To date， there have been few studies using AI techniques to predict hepatic encephalopathy. Therefore， this paper reviews the research progress of hepatic encephalopathy risk prediction models， and also discusses the prospect of AI application in hepatic encephalopathy risk prediction models. It also points out the challenges and future research directions of AI in HE risk prediction model research in order to promote the development and clinical application of hepatic encephalopathy risk prediction models.

Key words: hepatic encephalopathy, risk prediction model, artificial intelligence technology, machine learning

中图分类号:

R575

黄良江,毛德文,郑景辉,王明刚,姚春. 人工智能在肝性脑病风险预测模型中的应用进展[J]. 实用医学杂志, 2024, 40(3): 289-294.

Liangjiang HUANG,Dewen MAO,Jinghui ZHENG,Minggang WANG,Chun YAO. Application of artificial intelligence in HE risk prediction modelling and research advances[J]. The Journal of Practical Medicine, 2024, 40(3): 289-294.

图/表 2

表1

表2

参考文献 35

1	ROSE C F， AMODIO P， BAJAJ J S， et al. Hepatic encephalopathy： Novel insights into classification， pathophysiology and therapy ［J］. J Hepatol， 2020， 73（6）： 1526-1547. doi:10.1016/j.jhep.2020.07.013 doi: 10.1016/j.jhep.2020.07.013
2	WIJDICKS E F. Hepatic Encephalopathy ［J］. N Engl J Med， 2016， 375（17）： 1660-1670. doi:10.1056/nejmra1600561 doi: 10.1056/nejmra1600561
3	ELSAID M I， JOHN T， LI Y， et al. The Health Care Burden of Hepatic Encephalopathy ［J］. Clin Liver Dis， 2020， 24（2）： 263-275. doi:10.1016/j.cld.2020.01.006 doi: 10.1016/j.cld.2020.01.006
4	DEBRAY T P A， COLLINS G S， RILEY R D， et al. Transparent reporting of multivariable prediction models developed or validated using clustered data （TRIPOD-Cluster）： explanation and elaboration ［J］. BMJ， 2023， 380： e071058. doi:10.1136/bmj-2022-071058 doi: 10.1136/bmj-2022-071058
5	YANG H， LI X， CAO H， et al. Using machine learning methods to predict hepatic encephalopathy in cirrhotic patients with unbalanced data ［J］. Comput Methods Programs Biomed， 2021， 211： 106420. doi:10.1016/j.cmpb.2021.106420 doi: 10.1016/j.cmpb.2021.106420
6	贾学友，晋晓丽，戴进前. 基于Cox风险回归预测模型判断HBV-ACLF短期预后的价值［J］. 中西医结合肝病杂志， 2022（4）： 32.
7	LE BERRE C， SANDBORN W J， ARIDHI S， et al. Application of Artificial Intelligence to Gastroenterology and Hepatology ［J］. Gastroenterology， 2020， 158（1）： 76-94.e2. doi:10.1053/j.gastro.2019.08.058 doi: 10.1053/j.gastro.2019.08.058
8	林建辉，陈丽霞，蓝丽琴，等. 乙型肝炎相关慢加急性肝衰竭患者住院新发显性肝性脑病风险的预测模型构建［J］. 解放军医学杂志， 2022，47（12）：1232-1240.
9	HU C， JIANG N， ZHENG J， et al. Liver volume based prediction model for patients with hepatitis B virus-related acute-on-chronic liver failure ［J］. J Hepatobiliary Pancreat Sci， 2022， 29（12）： 1253-1263. doi:10.1002/jhbp.1112 doi: 10.1002/jhbp.1112
10	ACHARYA C， SHAW J， DUONG N， et al. QuickStroop， a Shortened Version of EncephalApp， Detects Covert Hepatic Encephalopathy With Similar Accuracy Within One Minute ［J］. Clin Gastroenterol Hepatol， 2023， 21（1）： 136-142. doi:10.1016/j.cgh.2021.12.047 doi: 10.1016/j.cgh.2021.12.047
11	YU X， LU Y， SUN S， et al. Clinical Prediction Models for Hepatitis B Virus-related Acute-on-chronic Liver Failure： A Technical Report ［J］. J Clin Transl Hepatol， 2021， 9（6）： 838-849.
12	GUO L W， LYU Z Y， MENG Q C， et al. A risk prediction model for selecting high-risk population for computed tomography lung cancer screening in China ［J］. Lung Cancer， 2022， 163： 27-34. doi:10.1016/j.lungcan.2021.11.015 doi: 10.1016/j.lungcan.2021.11.015
13	李应龙，庞桦进，何晓峰. 经颈静脉肝内门腔静脉分流术后早期肝性脑病列线图的建立和验证［J］. 实用医学杂志，2020，36（7）：963-968. doi:10.3969/j.issn.1006-5725.2020.07.026 doi: 10.3969/j.issn.1006-5725.2020.07.026
14	American Association for the study of Liver Diseases， European Association for the study of the Liver. Hepatic encephalopathy in chronic liver disease： 2014 practice guideline by the European Association for the Study of the Liver and the American Association for the Study of Liver Diseases ［J］. J Hepatol， 2014， 61（3）： 642-659. doi:10.1016/j.jhep.2014.05.042 doi: 10.1016/j.jhep.2014.05.042
15	ROMERO-GÓMEZ M， CÓRDOBA J， JOVER R， et al. Value of the critical flicker frequency in patients with minimal hepatic encephalopathy ［J］. Hepatology， 2007， 45（4）： 879-885. doi:10.1002/hep.21586 doi: 10.1002/hep.21586
16	胡小鹏，高建. 国际标准化比值和终末期肝病模型评分对并发肝性脑病的肝硬化患者短期预后的预测价值［J］. 第三军医大学学报， 2019， 41（14）：7.
17	TAKIKAWA Y， ENDO R， SUZUKI K， et al. Prediction of hepatic encephalopathy development in patients with severe acute hepatitis ［J］. Dig Dis Sci， 2006， 51（2）： 359-364. doi:10.1007/s10620-006-3138-7 doi: 10.1007/s10620-006-3138-7
18	LABENZ C， TOENGES G， HUBER Y， et al. Raised serum Interleukin-6 identifies patients with liver cirrhosis at high risk for overt hepatic encephalopathy ［J］. Aliment Pharmacol Ther， 2019， 50（10）： 1112-1119. doi:10.1111/apt.15515 doi: 10.1111/apt.15515
19	TAPPER E B， PARIKH N D， SENGUPTA N， et al. A risk score to predict the development of hepatic encephalopathy in a population-based cohort of patients with cirrhosis ［J］. Hepatology， 2018， 68（4）： 1498-1507. doi:10.1002/hep.29628 doi: 10.1002/hep.29628
20	AHN J C， CONNELL A， SIMONETTO D A， et al. Application of Artificial Intelligence for the Diagnosis and Treatment of Liver Diseases ［J］. Hepatology， 2021， 73（6）： 2546-2563. doi:10.1002/hep.31603 doi: 10.1002/hep.31603
21	李欣欣. 基于代价敏感性随机森林与支持向量机的肝硬化并发肝性脑病风险预测模型研究［D］. 太原：山西医科大学，2018.
22	王旭春，翟梦梦，任浩，等. 基于重采样和Voting异质集成的分类模型在肝硬化并发肝性脑病风险预测中的探索性研究［J］.中国卫生统计， 2022，39（4）：039.
23	胡珉，陈新. 决策树模型联合Logistic回归法分析肝性脑病结局的影响因素［J］. 现代医学，2016，44（9）：1199-1203.
24	刘宝荣，方建凯，林明华，等. 应用人工神经网络评估乙型肝炎慢加急性肝衰竭发生肝性脑病的危险因素［J］. 肝脏，2017，22（12）：1085-1089，1093. doi:10.3969/j.issn.1008-1704.2017.12.006 doi: 10.3969/j.issn.1008-1704.2017.12.006
25	程璠，曹红艳，武希润，等. 肝性脑病诱发因素的潜在类别模型与高危人群筛选［J］. 慢性病学杂志，2018，19（1）：4-7+11.
26	谈军涛，许晓梅，何雨芯，等. 基于机器学习算法的肝硬化相关肝性脑病预测模型的构建［J］. 解放军医学杂志， 2021， 46（4）：7. doi:10.11855/j.issn.0577-7402.2021.04.06 doi: 10.11855/j.issn.0577-7402.2021.04.06
27	王旭春，宋伟梅，翟梦梦，等. 基于ElasticNet和贝叶斯网络模型的肝硬化并发肝性脑病相关因素分析［J］. 现代预防医学， 2021， 48（9）：5.
28	VON ESCHENBACH W J. Transparency and the black box problem： Why we do not trust AI ［J］. Philosophy & Technology， 2021， 34（4）： 1607-1622. doi:10.1007/s13347-021-00477-0 doi: 10.1007/s13347-021-00477-0
29	NAZAR M， ALAM M M， YAFI E， et al. A systematic review of human-computer interaction and explainable artificial intelligence in healthcare with artificial intelligence techniques ［J］. IEEE Access， 2021， 9： 153316-153348. doi:10.1109/access.2021.3127881 doi: 10.1109/access.2021.3127881
30	NAZIR S， DICKSON D M， AKRAM M U. Survey of explainable artificial intelligence techniques for biomedical imaging with deep neural networks ［J］. Comput Biol Med， 2023，156： 106668. doi:10.1016/j.compbiomed.2023.106668 doi: 10.1016/j.compbiomed.2023.106668
31	LAL A， DANG J， NABZDYK C， et al. Regulatory oversight and ethical concerns surrounding software as medical device （SaMD） and digital twin technology in healthcare ［J］. Ann Transl Med， 2022， 10（18）：950. doi:10.21037/atm-22-4203 doi: 10.21037/atm-22-4203
32	GIL-GÓMEZ A， AMPUERO J， ROJAS Á， et al. Development and Validation of a Clinical-Genetic Risk Score to Predict Hepatic Encephalopathy in Patients With Liver Cirrhosis［J］. Am J Gastroenterol， 2021， 116（6）： 1238-1247. doi:10.14309/ajg.0000000000001164 doi: 10.14309/ajg.0000000000001164
33	COLLINS G S， REITSMA J B， ALTMAN D G， et al. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis （TRIPOD） the TRIPOD statement ［J］. Circulation， 2015， 131（2）： 211-219. doi:10.1161/circulationaha.114.014508 doi: 10.1161/circulationaha.114.014508
34	CONNELL A， BLACK G， MONTGOMERY H， et al. Implementation of a Digitally Enabled Care Pathway （Part 2）： Qualitative Analysis of Experiences of Health Care Professionals ［J］. J Med Internet Res， 2019， 21（7）： e13143. doi:10.2196/13143 doi: 10.2196/13143
35	WOLFF R F， MOONS K G M， RILEY R D， et al. PROBAST： A Tool to Assess the Risk of Bias and Applicability of Prediction Model Studies ［J］. Ann Intern Med， 2019， 170（1）： 51-58. doi:10.7326/m18-1376 doi: 10.7326/m18-1376

模型名称	主要特征	优点	缺点
Child-Pugh评分系统	通过对患者的临床指标进行评分综合评估患者的HE风险	简单易用，无需特殊实验室检查	仅能评估肝脏疾病晚期患者的风险
MELD评分系统	通过患者的生化指标（血清肌酐、总胆红素、INR）评估患者的HE风险	较为准确地评估肝脏疾病患者的风险，可用于预测HE的早期复发.	只适用于肝脏疾病患者，缺乏其他影响因素的考虑
Glasgow Coma Scale（GCS）	通过测量患者的意识状态、眼部反应、运动反应来评估患者的HE风险	评估结果客观准确	无法全面考虑其他潜在因素的影响
West Haven Grading Scale	通过评估患者的意识状态、行为反应等进行分级评估患者的HE风险	简单易用，较为全面考虑患者的症状表现	评估结果主观性较强，存在一定的主观误差
Biomarker-based模型	通过测量患者血清中的特定生化指标（如氨、谷氨酸等）来评估患者的HE风险	较为准确地评估患者的风险	需要特殊实验室检查，费用较高

机器学习算法的类型	主要特征	参考文献
支持向量机（SVM）	支持向量机通常用于分类和回归。它学习最佳超平面来对数据进行分类。通常，它具有较低的误分类误差，并且可以很好地扩展到高维数据。但是，处理大型数据集耗时长，且对于分离不良的类，表现不佳。	［21］
随机森林（Random Forest）	随机森林是一种集成学习方法。它包含多个决策树，并将这些决策树集成到数据类别中。树的大小和变量的数量通常决定了模型的性能。优点在于不受极值影响，可处理高度相关的变量、丢失的数据、大量的变量。但训练可能需要很长时间，需要大量的变量和样本，且难以解释“黑匣子”问题。	［22］
决策树（Decision Tree）	决策树创建一系列决策规则，以根据输入变量预测分类和连续结果。它包含三个主要部分：根节点、叶节点和分支。决策树易于理解，但不稳定且容易过度拟合。	［23］
人工神经网络（ANN）	这是一种基于神经元和激活函数的分层非线性映射网络。其结构包括三个主要部分，即输入层、隐藏层和输出层。此结构用于分析变量以预测结果。主要限制是底层模型缺乏透明度，且仅用于没有缺失值的数据。	［24］
潜在类别分析	潜在类分析是一种统计原理技术，用于因子分析、聚类分析和回归。它是通过潜在的类变量来解释和估计清单指标之间的关联。此方法适用于对大型异构数据中的子组进行分类。	［25］
贝叶斯网络	贝叶斯网络是一种基于贝叶斯定理的分类算法，适用于变量相互独立的场景。它相对简单，在存在噪声、缺失数据和不相关变量的情况下具有良好的性能。	［27］

[1]	严健亮,谢泽宇,景蓉蓉,崔明. 基于机器学习利用常规检验指标建立胃癌淋巴结转移预测模型[J]. 实用医学杂志, 2024, 40(6): 844-849.
[2]	侯鸣,李有强,李雪梅,贾军峰,常军英. 基于胸部CT及临床特征构建原发性干燥综合征患者肺脏受累的风险预测模型[J]. 实用医学杂志, 2024, 40(3): 400-405.
[3]	严健亮, 景蓉蓉谢泽宇崔明. 机器学习在胃癌生物标志物挖掘中的应用进展 [J]. 实用医学杂志, 2023, 39(6): 783-787.
[4]	徐蕊何明钰刘新峰王荣品周丽明邓飞虎丁国恒. 磁共振新兴技术在肝纤维化的研究进展[J]. 实用医学杂志, 2023, 39(1): 124-128.
[5]	孙芳许永波崔广和李鑫焱董景云焦玉婷唐丽玮 . 基于超声特征构建机器学习模型预测浸润性乳腺癌 Luminal 分型 [J]. 实用医学杂志, 2022, 38(18): 2279-2283.
[6]	黄忠江姜增誉李健丁张智星陈文青 . 基于增强CT影像组学联合机器学习鉴别均质性肾透明细胞癌与肾乏脂肪血管平滑肌脂肪瘤 [J]. 实用医学杂志, 2021, 37(17): 2266-2270.

人工智能在肝性脑病风险预测模型中的应用进展

Application of artificial intelligence in HE risk prediction modelling and research advances

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 2

参考文献 35

相关文章 6

编辑推荐

Metrics

本文评价