基于长短时记忆循环神经网络的北京市糖尿病合并呼吸系统疾病患者入院预测研究

• 作者: 朱倩 章萌 胡耀余 徐小林 陶丽新 张杰 罗艳侠 郭秀花 刘相佟
• 来源期刊: 浙江大学学报（医学版）
• 学科: 医学
• 关键词: 长短时记忆循环神经网络 广义相加模型 呼吸系统疾病 糖尿病 日入院频数 预测
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 疾病监测与健康管理
• 页码范围: 1-9
• 页数: 9页
• 分类号: R197.5
• 语种: 中文
• DOI: 10.3724/zdxbyxb-2021-0227

摘要

目的:比较广义相加模型(GAM)和长短时记忆循环神经网络(LSTM-RNN)对糖尿病合并呼吸系统疾病患者入院频数的预测效果.方法:收集2014年1月1日至2019年12月31日北京市大气污染物、气象因素和呼吸系统疾病入院数据,基于LSTM-RNN预测糖尿病合并呼吸系统疾病患者入院频数并与GAM对比,模型评价采用五折交叉验证法.结果:与GAM相比,LSTM-RNN具有较低的预测误差[均方根误差(RMSE)分别为21.21±3.30和46.13±7.60,P<0.01;平均绝对误差(MAE)分别为14.64±1.99和36.08±6.20,P<0.01]和较高的拟合优度(R2值分别为0.79±0.06和0.57±0.12,P<0.01).在性别分层中,预测女性入院频数时,LSTM-RNN三项指标均优于GAM(均P<0.05);预测男性入院频数时,两模型误差评价指标差异无统计学意义(均P>0.05).在季节分层中,预测温暖季节的入院频数时,LSTM-RNN的RMSE和MAE均低于GAM(均P<0.05),R2值差异无统计学意义(P>0.05);预测寒冷季节入院频数时,两种模型的RMSE、MAE和R2值差异均无统计学意义(均P>0.05).在功能区分层中,预测首都功能核心区入院频数时,LSTM-RNN的RMSE、MAE和R2值均优于GAM(均P<0.05).结论:LSTM-RNN预测误差较小,拟合程度优,可作为污染天气提前精准配置医疗资源的预测手段.