人工智能模型预测输尿管结石自然排出的多中心临床试验的验证研究

曾凯，王新敏，倪钊，王勤章，李强

输尿管结石为泌尿外科常见疾病，大部分患者以“肾绞痛”症状首发就诊，临床治疗方案多根据输尿管结石位置及大小进行选择［1］。最新泌尿外科疾病诊疗指南强调输尿管结石处理原则是最大限度地清除结石、解除上尿路梗阻、缓解疼痛、控制尿路感染以及保护肾脏功能［2］。那么对于疼痛程度尚可耐受，没有明显感染及上尿路梗阻的输尿管结石患者能否通过保守治疗促进结石排出，临床医师通常难以给患者准确答案［3-4］。目前有学者应用人工智能模型（artificial intelligence model，AIM）建立了输尿管结石排出的预测模型并取得了较为满意的预测结果，但尚无获得临床一致认可的多中心验证报道［5-6］。为进一步验证该AIM预测输尿管结石排出的准确性及普适性，本研究在新疆生产建设兵团范围内联合多家医院应用该预测模型进行多中心验证，现报告如下。

1 对象与方法

1.1 研究对象 选择2017年9月—2020年3月在新疆生产建设兵团一师医院、四师医院、七师医院、九师医院、十三师红星医院及石河子大学医学院第一附属医院泌尿外科收治的1 620例采取保守排石治疗的输尿管结石患者为研究对象。纳入标准：（1）通过泌尿系统超声、腹部放射平片或CT检查确诊为输尿管结石者；（2）单侧输尿管结石且结石直径≤1.5 cm者；（3）自愿接受药物保守排石治疗者。排除标准：（1）发热或严重感染者；（2）中重度肾积水者；（3）排石治疗前已服用抗生素者；（4）肾功能不全或妊娠者。本研究经石河子大学医学院第一附属医院伦理委员会审核批准，纳入本研究的患者均告知病情并签署知情同意书。

1.2 排石方案 一般治疗方法为适当运动，多饮水，保持每日尿量>2 000 ml；药物治疗包括α-受体阻滞剂〔坦索罗辛，安斯泰来制药（中国）公司，规格：0.2 mg，0.4 mg/次，1次/d〕，同时辅以中成药包括排石颗粒（江西南昌济生药业，5 g/次，3次/d）、复方石淋通胶囊（湖南德康制药有限公司，1.5 g/次，3次/d）；患者疼痛剧烈难以耐受时可给予非甾体类抗炎药或吗啡等镇痛药物；保守排石期为2～4周，期间每周进行门诊或电话随访，根据影像学检查判断结石是否排出，并据此将患者分为排出组、未排除组。

本研究的创新性：

影响输尿管结石药物排石治疗效果的因素复杂，临床医师通常对治疗结果难以把控，本课题组前期利用人工智能技术已建立了一套输尿管结石自然排石的预测评估模型，本研究在多中心临床进一步评估了该模型的预测准确性。此外，为今后人工智能技术在泌尿系统疾病领域中的应用奠定了基础。

本研究的局限性：

本研究纳入的研究对象仍存在地域的局限性，且样本量相对较小；同时涉及到人工智能方面的技术问题仍需要进一步学习计算机理论知识，因此该输尿管结石保守排石的人工智能预测模型的预测准确性仍有提升的空间。

1.3 观察指标 采集纳入患者的性别、年龄、疼痛程度（VAS疼痛评分标准）［5］、结石直径、结石位置（上段、中段、下段）、白细胞计数、中性粒细胞计数、淋巴细胞计数、中性粒细胞分数、C反应蛋白（CRP）9项指标。为进一步验证AIM对较大输尿管结石预测效能，根据结石大小进一步分层，将直径>1 cm输尿管结石归类为大结石组，≤1 cm输尿管结石归类为小结石组。

1.4 AIM建立及应用方法 采用SPSS Clementine 12.0统计软件建立AIM，建立模型的具体参数参考2017年发表的《基于预测输尿管结石自然排出的人工神经网络模型的建立及应用》［7］；将输尿管结石预测模型导入SPSS Clementine 12.0统计软件中建立三层BP神经网络模型；输入层参数为患者年龄、疼痛级别、输尿管结石位置、结石大小、白细胞及中性粒细胞计数、淋巴细胞及中性粒细胞分数、CRP 9项指标，运行AIM自动获得测试集样本结石自然排出结局。

1.5 统计学方法 运用SPSS 17.0统计软件进行数据整理及分析。计量资料以（±s）表示，组间比较采用成组t检验；计数资料采用相对数表示，组间比较采用χ2检验；等级资料比较采用秩和检验。以P<0.05为差异有统计学意义。

2 结果

2.1 随访结果 共有1 620例输尿管结石患者纳入本研究，其中第一师、第四师、第七师、第九师、第十三师红星医院及石河子大学医学院第一附属医院患者分别为320例、182例、424例、128例、213例和353例；男1 080例（66.67%），女540例（33.33%）；年龄17～72岁，平均年龄（46.7±14.3）岁；输尿管结石直径为0.3～1.5 cm，平均直径（0.72±0.23）cm；输尿管上段、中段及下段结石患者分别为721例（44.51%）、459例（28.33%）和440例（27.16%）；通过为期4周的随访，992例患者排出结石，排出率为61.23%；628例未排出结石患者中，162例选择体外冲击波碎石术，376例选择行经尿道输尿管镜激光碎石术，90例选择其他方式。

2.2 结石排出组与未排出组观察指标比较 两组年龄、结石位置、中心粒细胞计数、淋巴细胞计数、中性粒细胞分数比较，差异均无统计学意义（P>0.05）。两组疼痛程度、结石直径、白细胞计数、CRP比较，差异均有统计学意义（P<0.05），见表1。

表1 结石排出组与未排出组观察指标比较Table 1 Comparison of observation index between ureteral calculus patients with and without spontaneous ureteral calculus passage

2.3 AIM预测结果 通过4周的随访，将AIM的预测值与随访真实结果进行比较，结果显示AIM预测输尿管结石自然排出的灵敏度、特异度及准确率分别为87.10%、85.99%和86.67%（表2）；其中新疆第一师医院AIM预测灵敏度、特异度及准确率分别为90.30%、84.52%和87.50%；第三师医院分别为88.42%、90.16%和89.01%；第五师医院分别为87.22%、78.38%和84.91%；第七师医院分别为83.16%、90.91%和85.16%；第九师医院分别为85.56%，72.73%和83.57%；石河子大学医学院第一附属医院分别为86.44%，90.64%和89.23%。AIM在六家医院中的预测总准确率均达到了83.00%以上。

表2 AIM预测输尿管结石自然排出的价值Table 2 Value of the spontaneous ureteral calculus passage prediction model using artificial neural network

小结石组患者有1 121例，通过随访763例（68.06%）患者排出结石，AIM预测输尿管结石自然排出的灵敏度、特异度和准确率分别为87.94%、87.15%和87.69%；大结石组患者为499例，排石率为229（45.89%），AIM预测输尿管结石自然排出的灵敏度、特异度和准确率分别为84.28%、84.44%和84.37%。

3 讨论

输尿管结石致肾绞痛是泌尿外科的常见急症，治疗的首要原则为及时有效地缓解疼痛，在排除潜在重症感染的前提下采取多种治疗方式清除结石、解除上尿路梗阻。目前输尿管结石的治疗主要根据输尿管结石的位置和结石大小制定治疗策略，包括药物排石、体外冲击波碎石非侵入性治疗和经尿道输尿管镜碎石术、腹腔镜输尿管切开取石术及经皮肾镜碎石取石术等微创手术。每种方法有其适应证，对患者而言更容易接受非侵入性的治疗方法，而对临床医生来说选择保守药物排石治疗之前如何能准确地预测输尿管结石排出，避免不必要的手术治疗显得十分必要。

人工智能技术作为一种具有预测判断的信息处理技术，目前已经广泛应用于医学领域。刘琚等［8］将人工智能技术运用于脑肿瘤的图像分割并取得突破性的进展。还有研究证实，AIM可辅助医师进行前列腺癌骨转移的判断［9］。杨龙雨禾等［10］通过神经网络模型在泌尿外科影像学诊断中的应用，证实人工智能可为临床医师提供更为开阔的思路。因此，本研究旨在利用人工智能技术判断输尿管结石自然排石价值，在前期的研究基础上［5］进一步进行多中心研究。

本研究纳入的1 620例输尿管结石患者中，自然排出结石患者992例，排石率为61.23%。为进一步探讨影响输尿管结石自发排出的影响因素，排石组与未排石组间单因素分析结果表明，输尿管结石大小、疼痛程度、白细胞计数及CRP 4项指标组间比较有统计学差异。可以看出，影响输尿管自发排出的因素复杂，不仅与结石大小有关，炎性指标及患者疼痛程度也是影响结局的重要指标。因此，仅凭临床医师的经验来预测输尿管结石能否自然排出存在一定的偏差和局限性。白细胞计数和CRP是机体非特异性炎性标志物，反应机体的感染程度，有学者研究表明CRP升高的患者输尿管管壁厚度明显增加，是判断输尿管结石嵌顿的独立危险因素［11-12］。本研究结果显示，输尿管结石未排出组患者的CRP和白细胞计数明显高于排出组。笔者认为，输尿管结石在自然排出过程中，结石对输尿管黏膜刺激或因结石梗阻造成上尿路感染引起炎性指标升高，是引起结石排出受阻的危险因素之一［13］。此外，本研究使用VAS疼痛评分将患者疼痛程度进行量化，结果表明疼痛程度可能会影响患者的排石率，目前关于疼痛程度影响输尿管结石排出的研究尚不多，屈健等［14］研究表明疼痛程度与结石大小具有相关性，患者疼痛程度越重，结石直径越小，同时排石率也越高；相反，结石越大疼痛反而越轻，排石率也越低。笔者认为，输尿管平滑肌蠕动频率和强度是输尿管结石排出的关键因素，而肾绞痛或输尿管绞痛可能是输尿管平滑肌蠕动过于剧烈或平滑肌痉挛的表现，但可能也是促进结石排出的有利因素，这一观点需要进一步的研究去证实。因此，在输尿管结石药物排石观察期间，如患者疼痛尚可耐受，不推荐使用强效镇痛药物。

虽然曾凯等［5］学者建立的AIM可较为准确地判断输尿管结石患者保守治疗的预后，但仅为单中心临床研究，未得到广泛验证，该研究中纳入225例输尿管结石患者，结石直径分布在0.4～1.0 cm，平均为0.71 cm，未纳入直径>1.0 cm的输尿管结石患者；而在临床工作中，尤其对于>1.0 cm的输尿管结石患者，更难决定治疗策略。在本研究中，笔者将结石大小的纳入标准调整为≤1.5 cm，分层研究结果表明，AIM对1.0～1.5 cm大小的输尿管结石的排出仍具有精确预测能力。此外，该AIM是否适用于其他地区的输尿管结石患者尚未得到肯定的答案。为此，本研究联合兵团地区6所医院进行了大样本、多中心的临床验证，研究结果表明，共有1 620例输尿管结石患者纳入本研究，AIM预测输尿管结石自然排出的准确度为83.57%～89.23%，总准确度为86.67%，与曾凯等［5］研究结果基本一致；但较Cummings76%的预测模型更加精确［6］。

综上所述，前期的研究证实人工智能技术可辅助临床医师制定治疗决策［7］，而本研究结果表明AIM预测输尿管结石自然排出得到多中心临床的一致认可，具有较强泛化能力。随着数据挖掘技术的不断革新，提升AIM的预测效能仍有大幅空间，是今后临床精准治疗的方向。

作者贡献：曾凯、李强进行文章的构思与设计；王新敏、倪钊、王勤章进行数据收集及数据整理并进行统计学处理；曾凯撰写论文并进行论文的修订；李强对文章整体负责，监督管理。

本文无利益冲突。