曾 凱，李應(yīng)龍，錢 彪，李 強(qiáng)，倪 釗，王新敏，王文曉，任之尚，王勤章

?

·論著·

人工神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)輸尿管結(jié)石自行排出中的應(yīng)用研究

曾 凱，李應(yīng)龍，錢 彪，李 強(qiáng)，倪 釗，王新敏，王文曉，任之尚，王勤章

832008新疆石河子市，石河子大學(xué)醫(yī)學(xué)院第一附屬醫(yī)院泌尿外科

【摘要】目的運(yùn)用人工神經(jīng)網(wǎng)絡(luò)建立輸尿管結(jié)石自行排出的預(yù)測(cè)模型，并轉(zhuǎn)化成臨床應(yīng)用。方法選取2013年1—8月在石河子大學(xué)醫(yī)學(xué)院第一附屬醫(yī)院泌尿外科門診就診的輸尿管結(jié)石患者225例。經(jīng)保守排石治療4周后，復(fù)查泌尿系B超或CT判斷結(jié)石是否排出，并將患者分為排石組和未排石組。通過單因素分析篩選出影響結(jié)石排出的因素，將這些因素作為預(yù)測(cè)參數(shù)建立人工神經(jīng)網(wǎng)絡(luò)，并對(duì)68例測(cè)試集樣本進(jìn)行預(yù)測(cè)。繪制預(yù)測(cè)擬概率的ROC曲線，并計(jì)算ROC曲線下面積評(píng)價(jià)預(yù)測(cè)效能。結(jié)果排石組141例，未排石組84例。單因素分析結(jié)果顯示兩組患者性別、體質(zhì)指數(shù)、膀胱刺激征、側(cè)別、腎盂積水、尿pH值、血尿、淋巴細(xì)胞計(jì)數(shù)比較，差異均無統(tǒng)計(jì)學(xué)意義(P>0.05)；兩組患者年齡、疼痛程度、結(jié)石直徑、結(jié)石位置、血白細(xì)胞計(jì)數(shù)、中性粒細(xì)胞計(jì)數(shù)、中性粒細(xì)胞分?jǐn)?shù)、淋巴細(xì)胞分?jǐn)?shù)、C反應(yīng)蛋白水平比較，差異均有統(tǒng)計(jì)學(xué)意義(P<0.05)。運(yùn)行人工神經(jīng)網(wǎng)絡(luò)，輸入層共建立9個(gè)神經(jīng)元。系統(tǒng)自動(dòng)體系構(gòu)建兩個(gè)隱含層，輸出層有1個(gè)神經(jīng)元。預(yù)測(cè)變量重要性前3位分別是：結(jié)石直徑(0.20)、C反應(yīng)蛋白(0.18)、年齡(0.12)。運(yùn)用建立成功的人工神經(jīng)網(wǎng)絡(luò)對(duì)68例測(cè)試集樣本進(jìn)行預(yù)測(cè)，結(jié)果顯示，測(cè)試集樣本的靈敏度、特異度和總準(zhǔn)確率分別為93.3%、60.9%和82.4%，ROC曲線下面積為0.868〔95%CI(0.774，0.962)〕。結(jié)論人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸尿管結(jié)石能否排出有較高的準(zhǔn)確率，可輔助臨床醫(yī)師為患者制定安全、合理的治療方案。

【關(guān)鍵詞】輸尿管結(jié)石；神經(jīng)網(wǎng)絡(luò)(計(jì)算機(jī))；藥物排石治療；預(yù)測(cè)

曾凱，李應(yīng)龍，錢彪，等.人工神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)輸尿管結(jié)石自行排出中的應(yīng)用研究[J].中國全科醫(yī)學(xué)，2016，19(20)：2430-2434.[www.chinagp.net]

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.

輸尿管結(jié)石致腎絞痛是泌尿外科的常見疾病，占尿路結(jié)石的20%，影響全球約12%的人口[1]，治愈后5～10年的復(fù)發(fā)率高達(dá)50%[2]。目前治療輸尿管結(jié)石的方法有藥物保守排石、沖擊波碎石、輸尿管鏡碎石術(shù)、經(jīng)皮腎鏡碎石取石術(shù)、腹腔鏡下取石術(shù)及開放手術(shù)取石。對(duì)于直徑較小的輸尿管結(jié)石臨床上多采用藥物保守排石作為初選的治療方案。藥物保守排石作為傳統(tǒng)的非創(chuàng)傷治療手段廣泛被患者接受，不過一旦排石受阻延誤治療，很可能會(huì)引起急性腎衰竭、阻塞性腎盂腎炎、尿源性膿毒血癥等一系列問題。由于目前國內(nèi)外尚無準(zhǔn)確預(yù)測(cè)輸尿管結(jié)石自行排出的規(guī)范化方法，加之微創(chuàng)碎石、取石技術(shù)的不斷發(fā)展使輸尿管結(jié)石的治療趨于“泛手術(shù)化”，增加患者痛苦及經(jīng)濟(jì)負(fù)擔(dān)的同時(shí)也無法避免各種手術(shù)并發(fā)癥。因此對(duì)于泌尿外科醫(yī)師來說，如何準(zhǔn)確預(yù)測(cè)輸尿管結(jié)石能否自行排出十分必要。

人工神經(jīng)網(wǎng)絡(luò)是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)[3]。因其具有較高的預(yù)測(cè)能力，已廣泛應(yīng)用于臨床輔助診斷中[4-5]，但應(yīng)用到預(yù)測(cè)輸尿管結(jié)石自行排出的研究并不多。為此，本研究嘗試借助人工神經(jīng)網(wǎng)絡(luò)建立輸尿管結(jié)石自行排出預(yù)測(cè)模型，提高預(yù)測(cè)結(jié)石自行排出的準(zhǔn)確性，進(jìn)而為患者和臨床醫(yī)師提供最佳治療方案決策支持。

1資料與方法

1.1納入及排除標(biāo)準(zhǔn)納入標(biāo)準(zhǔn)：泌尿系B超或CT明確診斷為單發(fā)輸尿管結(jié)石；輸尿管結(jié)石停留時(shí)間≤2周；輸尿管結(jié)石最大橫徑≤1 cm；自愿接受藥物保守排石治療。排除標(biāo)準(zhǔn)：孤立腎、輸尿管內(nèi)多發(fā)結(jié)石、腎盂積水>2.5 cm、2周內(nèi)曾使用抗菌藥物者；合并有嚴(yán)重腎功能不全、肝臟疾病者或妊娠期婦女；要求行沖擊波碎石或手術(shù)者。

1.2一般資料選取2013年1—8月在石河子大學(xué)醫(yī)學(xué)院第一附屬醫(yī)院泌尿外科門診就診的輸尿管結(jié)石患者225例。收集患者病例資料，包括性別、年齡、體質(zhì)指數(shù)及疼痛程度(采用疼痛視覺模擬評(píng)分法評(píng)判患者疼痛程度，1～3分為輕度，4～6分為中度，7～9分為重度，10分為極重度)；有無膀胱刺激征；泌尿系B超和CT等影像學(xué)檢查結(jié)石側(cè)別、結(jié)石直徑、結(jié)石位置、腎盂積水等；實(shí)驗(yàn)室檢查指標(biāo)包括：尿pH值、有無血尿、血白細(xì)胞計(jì)數(shù)、中性粒細(xì)胞計(jì)數(shù)、淋巴細(xì)胞計(jì)數(shù)、中性粒細(xì)胞分?jǐn)?shù)、淋巴細(xì)胞分?jǐn)?shù)及C反應(yīng)蛋白水平。

1.3藥物保守排石治療方案患者均給予鹽酸坦索羅辛膠囊(0.4 mg/次，3次/d)及必要時(shí)口服或外用止痛解痙藥物標(biāo)準(zhǔn)治療方案。保守排石治療4周后，復(fù)查泌尿系B超或CT判斷結(jié)石是否排出，并根據(jù)檢查結(jié)果將患者分為排石組和未排石組。

2結(jié)果

2.1排石組與未排石組患者觀察指標(biāo)比較225例患者中男178例(79.1%)，女47例(20.9%)；年齡17～85歲，平均年齡(41.9±14.5)歲；左側(cè)結(jié)石117例(52.0%)，右側(cè)結(jié)石108例(48.0%)；總排石率為62.7%(141/225)。排石組141例，未排石組84例。兩組患者性別、體質(zhì)指數(shù)、膀胱刺激征、結(jié)石側(cè)別、腎盂積水、尿pH值、血尿、淋巴細(xì)胞計(jì)數(shù)比較，差異均無統(tǒng)計(jì)學(xué)意義(P>0.05)；兩組患者年齡、疼痛程度、結(jié)石直徑、結(jié)石位置、血白細(xì)胞計(jì)數(shù)、中性粒細(xì)胞計(jì)數(shù)、中性粒細(xì)胞分?jǐn)?shù)、淋巴細(xì)胞分?jǐn)?shù)、C反應(yīng)蛋白水平比較，差異均有統(tǒng)計(jì)學(xué)意義(P<0.05，見表1)。

2.2人工神經(jīng)網(wǎng)絡(luò)的建立運(yùn)行人工神經(jīng)網(wǎng)絡(luò)，輸入層共建立9個(gè)神經(jīng)元。系統(tǒng)自動(dòng)體系構(gòu)建兩個(gè)隱含層，隱含層一含有20個(gè)神經(jīng)元，隱含層二含有15個(gè)神經(jīng)元。輸出層有1個(gè)神經(jīng)元。模型訓(xùn)練時(shí)間為2 s，預(yù)測(cè)準(zhǔn)確性為82.4%。得出預(yù)測(cè)變量的重要性由大到小依次為：結(jié)石直徑(0.20)、C反應(yīng)蛋白(0.18)、年齡(0.12)、血白細(xì)胞計(jì)數(shù)(0.11)、中性粒細(xì)胞分?jǐn)?shù)(0.10)、中性粒細(xì)胞計(jì)數(shù)(0.08)、疼痛程度(0.08)、淋巴細(xì)胞分?jǐn)?shù)(0.07)及結(jié)石位置(0.06)。

表1　排石組與未排石組患者觀察指標(biāo)比較

注：a為χ2值

2.3人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果運(yùn)用建立成功的人工神經(jīng)網(wǎng)絡(luò)對(duì)68例測(cè)試集樣本進(jìn)行預(yù)測(cè)，結(jié)果顯示，測(cè)試集樣本的靈敏度、特異度和總準(zhǔn)確率分別為93.3%，60.9%和82.4%(見表2)。人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸尿管結(jié)石自行排出的ROC曲線下面積為0.868〔95%CI(0.774，0.962)〕，說明人工神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)測(cè)輸尿管結(jié)石排出有較好的診斷價(jià)值(見圖1)。

圖1　人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸尿管結(jié)石排出的ROC曲線

Figure 1ROC curve of artificial neural network for predicting spontaneous ureteral calculus passage

表2人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸尿管結(jié)石排出的價(jià)值(例)

Table 2Predictive value of artificial neural network model to spontaneous ureteral calculus passage

人工神經(jīng)網(wǎng)絡(luò)結(jié)局結(jié)石排出 結(jié)石未排出合計(jì)陽性42951陰性31417合計(jì)452368

3討論

藥物保守排石作為一種傳統(tǒng)非侵襲性的治療輸尿管結(jié)石的方法，廣泛被患者接受。但因影響結(jié)石排出的因素復(fù)雜，對(duì)于直徑較大的輸尿管結(jié)石臨床醫(yī)師很難判斷結(jié)石能否自行排出，若保守排石治療一旦無效，很可能會(huì)引起上尿路梗阻、泌尿系統(tǒng)感染及腎衰竭等一系列嚴(yán)重并發(fā)癥。因此，對(duì)于臨床醫(yī)師而言如何準(zhǔn)確預(yù)測(cè)結(jié)石能否排出顯得尤為重要，既可以避免不必要的“泛手術(shù)化”治療，又可在治療前告知患者結(jié)石排出概率，充分尊重患者的知情權(quán)和選擇權(quán)。雖然目前分析影響結(jié)石排出因素的研究[6-7]很多，但多為回顧性分析，僅能找出影響結(jié)石排出的因素，尚無一種前瞻性的能準(zhǔn)確預(yù)測(cè)結(jié)石排出的模型或方法。近年來，人工神經(jīng)網(wǎng)絡(luò)作為一種新型的分析和診斷工具逐漸應(yīng)用于臨床醫(yī)學(xué)各個(gè)領(lǐng)域[8-9]。但其在預(yù)測(cè)輸尿管結(jié)石自行排出方面罕有報(bào)道，僅CUMMINGS等[10]應(yīng)用人工神經(jīng)網(wǎng)絡(luò)對(duì)55例輸尿管結(jié)石患者的自行排石結(jié)局進(jìn)行了預(yù)測(cè)，結(jié)果顯示患者病程持續(xù)時(shí)間是影響結(jié)石排出最重要的因素，人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確率為76%。

在本研究中，通過單因素分析初步篩選出9項(xiàng)與輸尿管結(jié)石排出有關(guān)的影響因素，包括患者年齡、疼痛程度、結(jié)石直徑、結(jié)石位置、血白細(xì)胞計(jì)數(shù)、中性粒細(xì)胞計(jì)數(shù)、中性粒細(xì)胞分?jǐn)?shù)、淋巴細(xì)胞分?jǐn)?shù)及C反應(yīng)蛋白。將這些參數(shù)納入人工神經(jīng)網(wǎng)絡(luò)輸入層，以結(jié)石是否排出作為輸出變量。應(yīng)用數(shù)據(jù)挖掘軟件Clementine運(yùn)行神經(jīng)網(wǎng)絡(luò)后得到預(yù)測(cè)參數(shù)重要性位于前3位依次是結(jié)石直徑、C反應(yīng)蛋白和年齡。

結(jié)石直徑是目前公認(rèn)的影響結(jié)石排出的重要危險(xiǎn)因素?！吨袊谀蛲饪萍膊≡\斷治療指南(2014版)》強(qiáng)調(diào)輸尿管結(jié)石的大小是制定治療方案時(shí)的重要參考依據(jù)，并將輸尿管結(jié)石分為3類，即直徑<5 mm、直徑為5～10 mm以及直徑>10 mm的結(jié)石[11]。直徑<5 mm的結(jié)石98%可以自行排出，>10 mm的結(jié)石自行排出率較低，不推薦進(jìn)行觀察自行排石或藥物排石治療，直徑5～10 mm的結(jié)石推薦使用藥物保守排石作為初選的治療方案。同時(shí)也有文獻(xiàn)報(bào)道結(jié)石直徑與排出率之間的關(guān)系。早在1977年，UENO等[12]發(fā)現(xiàn)直徑在1～4 mm的結(jié)石排出率分別為100%、93%、87%和78%，而直徑在5～8 mm的結(jié)石排出率分別為57%、35%、28%和14%。SENZ MEDINA等[13]研究報(bào)道直徑<5 mm的輸尿管結(jié)石排出率為76%～100%，≥5 mm的為0～60%?？梢婋S著直徑的增大，結(jié)石排出率也隨之降低。因此有必要分析直徑較大的結(jié)石在什么情況下可以自行排出，以便及早采取正確的治療措施，避免延誤病情。本研究患者結(jié)石直徑為0.4～1.0 cm，平均為0.7 cm，結(jié)石直徑是影響結(jié)石自行排出最重要的影響因素。

本研究發(fā)現(xiàn)，影響結(jié)石排出的次要因素為C反應(yīng)蛋白。分析其原因可能是結(jié)石在自行排出過程中與輸尿管管壁間互相刮擦、出血引起局部發(fā)生炎性反應(yīng)，因此造成C反應(yīng)蛋白水平升高。C反應(yīng)蛋白作為一種非特異性炎癥標(biāo)志物，其水平改變可間接反映機(jī)體感染和炎癥強(qiáng)度。而在臨床上，常將血白細(xì)胞計(jì)數(shù)與C反應(yīng)蛋白聯(lián)合檢測(cè)，作為早期判斷感染來源的首選指標(biāo)。本研究結(jié)果顯示，血白細(xì)胞計(jì)數(shù)是第4位影響結(jié)石排出的重要因素。?ZCAN等[14]研究證實(shí)血白細(xì)胞計(jì)數(shù)和C反應(yīng)蛋白是預(yù)測(cè)直徑為4～10 mm的輸尿管結(jié)石自行排出的獨(dú)立因素，并指出當(dāng)C反應(yīng)蛋白為0.506 mg/L時(shí)，可以作為預(yù)測(cè)結(jié)石排出的界值。同時(shí)ALDAQADOSSI[15]研究指出，當(dāng)輸尿管下段結(jié)石患者C反應(yīng)蛋白>21.9 mg/L時(shí)，可待炎癥控制后直接行沖擊波碎石術(shù)或輸尿管鏡碎石術(shù)。本研究通過人工神經(jīng)網(wǎng)絡(luò)分析發(fā)現(xiàn)，C反應(yīng)蛋白和血白細(xì)胞計(jì)數(shù)是除結(jié)石直徑及患者年齡外影響結(jié)石自行排出最重要的影響因素。

NG等[16]報(bào)道，年輕患者結(jié)石排出率高于老年患者。本研究結(jié)果顯示患者年齡是影響結(jié)石排出的第3位重要因素，筆者推測(cè)其原因可能是年輕人與老年人相比，具有較強(qiáng)的輸尿管蠕動(dòng)功能和腎臟排空能力，排石過程中輸尿管平滑肌蠕動(dòng)頻率和收縮力有助于結(jié)石的排出。

本研究應(yīng)用人工神經(jīng)網(wǎng)絡(luò)對(duì)68例患者即測(cè)試集樣本進(jìn)行了預(yù)測(cè)，結(jié)果顯示靈敏度、特異度和總準(zhǔn)確率分別為93.3%、60.9%和82.4%。人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的ROC曲線下面積為0.868，說明該模型對(duì)判斷結(jié)石自行排出結(jié)局具有較高的準(zhǔn)確度。

綜上所述，人工神經(jīng)網(wǎng)絡(luò)可準(zhǔn)確預(yù)測(cè)結(jié)石能否排出，可輔助臨床醫(yī)師為輸尿管結(jié)石患者選擇合理、安全的治療方案。

作者貢獻(xiàn)：曾凱、李應(yīng)龍、錢彪、倪釗、王勤章進(jìn)行試驗(yàn)設(shè)計(jì)與實(shí)施；王文曉、任之尚進(jìn)行資料收集整理、后續(xù)隨訪工作；曾凱撰寫論文、成文并對(duì)文章負(fù)責(zé)；李強(qiáng)、王新敏、王勤章進(jìn)行質(zhì)量控制及審校。

本文無利益沖突。

本文鏈接：

人工神經(jīng)網(wǎng)絡(luò)：人工神經(jīng)網(wǎng)絡(luò)是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的數(shù)學(xué)算法模型。這種網(wǎng)絡(luò)通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接關(guān)系，從而達(dá)到信息處理的目的。人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)包括網(wǎng)絡(luò)的輸入層、隱含層及輸出層。其信息傳遞過程按照輸入層到輸出層單向傳遞，并按照信息的復(fù)雜程度調(diào)整內(nèi)部大量節(jié)點(diǎn)之間的相互連接關(guān)系。網(wǎng)絡(luò)通過對(duì)已有的數(shù)據(jù)即輸入變量和輸出變量之間的關(guān)系進(jìn)行學(xué)習(xí)，可形成網(wǎng)絡(luò)自有的邏輯關(guān)系。這種訓(xùn)練好的網(wǎng)絡(luò)即可對(duì)未知數(shù)據(jù)即測(cè)試樣本進(jìn)行結(jié)果預(yù)測(cè)，實(shí)現(xiàn)其預(yù)測(cè)功能。

優(yōu)點(diǎn)：(1)可以充分逼近任意復(fù)雜的非線性關(guān)系；(2)所有定量或定性的信息均能等勢(shì)分布于網(wǎng)絡(luò)內(nèi)的各個(gè)神經(jīng)元；(3)能夠同時(shí)處理定量、定性的信息；(4)具有自學(xué)習(xí)功能；(5)采用并行分布處理的方法，使得快速進(jìn)行大量運(yùn)算成為可能。目前能實(shí)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)技術(shù)的軟件有SPSS Clementine、Matlab等。

參考文獻(xiàn)

[1]MASARANI M，DINNEEN M.Ureteric colic：new trends in diagnosis and treatment[J].Postgrad Med J，2007，83(981)：469-472.

[2]JOHRI N，COOPER B，ROBERTSON W，et al.An update and practical guide to renal stone management[J].Nephron Clin Pract，2010，116(3)：c159-171.

[3]毛健，趙紅東，姚婧婧.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J].電子設(shè)計(jì)工程，2011，19(24)：62-65.

MAO J，ZHAO H D，YAO J J.Application and prospect of artificial neural network[J].Electronic Design Engineering，2011，19(24)：62-65.

[4]ZHAO K，WANG C，HU J，et al.Prostate cancer identification：quantitative analysis of T2-weighted MR images based on a back propagation artificial neural network model[J].Sci China Life Sci，2015，58(7)：666-673.

[5]邱志磊，徐立柱，賈魁，等.前列腺癌人工神經(jīng)網(wǎng)絡(luò)診斷模型的應(yīng)用研究[J].臨床泌尿外科雜志，2015，30(10)：906-909.

QIU Z L，XU L Z，JIA K，et al.Study on application of artificial neural network in the diagnosis model of prostate cancer[J].Journal of Clinical Urology，2015，30(10)：906-909.

[6]李文峰，潘惟昕，厲建，等.腎絞痛后輸尿管結(jié)石自行排出的預(yù)測(cè)性研究[J].臨床泌尿外科雜志，2011，26(11)：806-807，811.

LI W F，PAN W X，LI J，et al.The forecasting research for the ureteral calculi spontaneous passage after renal colic[J].Journal of Clinical Urology，2011，26(11)：806-807，811.

[7]CHOI T，YOO K H，CHOI S K，et al.Analysis of factors affecting spontaneous expulsion of ureteral stones that may predict unfavorable outcomes during watchful waiting periods：what is the influence of diabetes mellitus on the ureter？[J].Korean J Urol，2015，56(6)：455-460.

[8]吳君，楊太珠，林江莉，等.基于人工神經(jīng)網(wǎng)絡(luò)的足月胎兒體重預(yù)測(cè)方法[J].生物醫(yī)學(xué)工程學(xué)雜志，2005，22(5)：922-925.

WU J，YANG T Z，LIN J L，et al.Estimation of fetal weight on the basis of neural network[J].Journal of Biomedical Engineering，2005，22(5)：922-925.

[9]YEH B C，LIN W P.Using a calculated pulse rate with an artificial neural network to detect irregular interbeats[J].J Med Syst，2016，40(3)：48.

[10]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.

[11]那彥群，葉章群，孫穎浩，等.中國泌尿外科疾病診斷治療指南(2014版)[M].北京：人民衛(wèi)生出版社，2014：187-189.

[12]UENO A，KAWAMURA T，OGAWA A，et al.Relation of spontaneous passage of ureteral calculi to size[J].Urology，1977，10(6)：544-546.

[14]?ZCAN C，AYDOGDU O，SENOCAK C，et al.Predictive factors for spontaneous stone passage and the potential role of serum C-reactive protein in patients with 4 to 10 mm distal ureteral stones：a prospective clinical study[J].J Urol，2015，194(4)：1009-1013.

[15]ALDAQADOSSI H A.Stone expulsion rate of small distal ureteric calculi could be predicted with plasma C-reactive protein[J].Urolithiasis，2013，41(3)：235-239.

[16]NG C F，WONG A，TOLLEY D.Is extracorporeal shock wave lithotripsy the preferred treatment option for elderly patients with urinary stone？A multivariate analysis of the effect of patient age on treatment outcome[J].BJU Int，2007，100(2)：392-395.

(本文編輯：賈萌萌)

Application of Artificial Neural Network in the Prediction of Spontaneous Ureteral Calculus Passage

ZENGKai，LIYing-long，QIANBiao，etal.

DepartmentofUrology，theFirstAffiliatedHospitalofMedicalCollege,ShiheziUniversity，Shihezi832008，China

【Abstract】ObjectiveTo establish the prediction model of the spontaneous ureteral calculus passage by applying artificial neural network and put it into clinical application.MethodsFrom January to August in 2013，we enrolled 225 patients with ureteral calculus who received treatment in the Department of Urology，the First Affiliated Hospital of Medical College,Shihezi University.After 4-week medical expulsive treatment，the status of calculus was examined by urinary tract ultrasound or CT，and patients were divided into two groups：calculus removed group and non calculus removed group.By univariate analysis，influencing factors for removing calculus were selected and were applied as predictive parameters in the establishment of artificial neural network prediction model，and the model was used to make prediction on 68 testing samples.ROC curve was made to predict quasi-probability，and the AUC was calculated to predict efficacy.ResultsThere were 141 patients in calculus removed group and 84 patients in non calculus removed group.Univariate analysis showed that the two groups were not significantly different in gender，BMI，bladder irritation symptoms，lesion side，hydronephrosis，urine pH value，hematuresis and lymphocyte count(P>0.05)；the two groups were significantly different in age，pain degree，calculus size，position of calculus，leucocyte count，neutrophil count，neutrophil percentage，lymphocyte percentage and C-reactive protein level (P<0.05).Artificial neural network was operated with all together 9 neurons in the input layer.Two hidden layers were established in the automatic system，and there was one neuron in the output layer.The first three predictive variables in importance were calculus size(0.20)，C-reactive protein level(0.18)and age(0.12).The neural network models that were successfully built were applied in the prediction of 68 testing samples，and the results showed that the sensitivity，specificity and total accuracy rate of artificial neural network model were 93.3%，60.9% and 82.4% respectively，and the AUC was 0.868〔95%CI(0.774，0.962)〕.ConclusionArtificial neural network model can accurately predict spontaneous ureteral calculus passage and can assist clinicians choose safe and reasonable treatment plan for ureteral calculus patients.

【Key words】Ureteral calculi；Neural networks(computer)；Medical expulsive therapy；Prediction

基金項(xiàng)目：國家科技支撐計(jì)劃子課題(2013BAI05B05)；新疆生產(chǎn)建設(shè)兵團(tuán)醫(yī)藥衛(wèi)生重點(diǎn)項(xiàng)目科技援疆專項(xiàng)(2014AB052)

通信作者：王勤章，832008新疆石河子市，石河子大學(xué)醫(yī)學(xué)院第一附屬醫(yī)院泌尿外科；E-mail：wqz1969@sina.com

【中圖分類號(hào)】R 693.4 R 319

【文獻(xiàn)標(biāo)識(shí)碼】A

DOI：10.3969/j.issn.1007-9572.2016.20.015

(收稿日期：2016-01-22；修回日期：2016-03-14)