大家好，今天为大家分享的是近日发表在《JAMA》（美国医学会）上文章为“Assess ment of a Deep Learning Model to Predict Hepato cellular Carcin oma in Patients With Hepatitis C Cirrhosis”，探讨使用直接从电子健康记录中提取的原始纵向数据的深度学习递归神经网络（RNN）模型在预测肝细胞癌（HCC）发生风险方面是否优于常规回归模型。
01
研究背景
使用直接从电子健康记录中提取的原始纵向数据的深度学习递归神经网络（RNN）模型在预测肝细胞癌（HCC）患风险方面能否优于传统回归模型？
这项预后研究纳入了国家退伍军人健康管理局的48 151例丙型肝炎病毒（HCV）相关肝硬化患者，这些患者在诊断为肝硬化后至少进行了3年的随访。深度学习RNN模型优于传统的线性回归模型，可用于识别HCV相关肝硬化患者，这些患者具有发生HCC的高风险。
见图一
为预测HCC的发展而开发的案例和控制定义和模型的示意图。
图一
A，确定了诊断为肝硬化并且从诊断为肝硬化到最后一次随访退伍军人医疗保健管理局（VHA）至少3年的丙型肝炎病毒感染患者。在肝硬化发生后3年内发生肝细胞癌（HCC）的患者被指定为病例，未发生肝细胞癌的患者为指定对照。在时间t或之前获得的所有数据都被用作时间t后3年内肝硬化发展的预测指标。第一个和第三个例子是针对在随访期间发生肝细胞癌的患者;第二个例子是针对在随访期间未发生肝细胞癌的患者。
B，我们开发的用于预测HCC发展的3种不同模型的示意图比较（即，模型1，在时间t使用横断面基线数据的逻辑回归;模型2，使用时间t之前人类设计的纵向数据的逻辑回归;和模型3，使用时间t之前的原始纵向数据的递归神经网络），C， 1个代表性分裂下的纵向循环神经网络模型结构。
见图二
3个预测模型的受试者工作特性曲线。
图二
我们开发了 3 种不同的模型，在 3 次代表性分裂（结果基于测试集）下，在丙型肝炎病毒 （HCV） 相关肝硬化患者的所有样本和获得持续病毒学应答 （SVR） 的 HCV 相关肝硬化患者的样本中预测 1 年内肝细胞癌的发展。
表一
抽样访问时模型构建中使用的控件和案例的特征。
表一
表二
预测丙型肝炎病毒相关肝硬化患者 3 年内肝细胞癌发展的 3 种不同模型的性能特征比较。
表二
表三
预测丙型肝炎病毒相关肝硬化患者 3 年内肝细胞癌发展的 3 种不同模型的性能特征比较。
表三
02
研究结论
在这项研究中，我们证明了使用原始纵向EHR数据的RNN模型在估计HCV相关肝硬化患者HCC风险方面优于传统的LR模型。像我们这样的RNN模型可以在临床实践中有多种应用，只要它们可以被整合到EHR软件系统中。
好了，今天的文献解读就到这儿来，我们下期再见！如果你正在开展临床研究.需要方案设计.数据管理. 数据分析等支持.也随时可以联系我们。