基于门控循环单元与SHAP可解释性的帕金森病个性化用药推荐系统研究

针对帕金森病（PD）患者因症状和病程差异导致的用药管理难题，研究人员开发了一种基于门控循环单元（GRU）的序列学习模型，结合SHAP可解释性分析（XAI），实现了对LD、DA等三类药物的个性化组合推荐。该模型通过10折交叉验证显示，个性化架构的准确率（0.92）、F1分数（0.94）等指标显著优于非个性化模型，为临床决策支持系统（DSS）提供了可解释的AI工具，推动PD远程精准管理。

　　

帕金森病（PD）作为一种复杂的神经退行性疾病，其治疗面临巨大挑战：患者症状异质性高、病程进展差异大，而现有指南难以覆盖所有个体化需求。尤其药物管理上，左旋多巴（LD）、多巴胺激动剂（DA）等组合方案的优化依赖医生经验，缺乏数据驱动的决策工具。更棘手的是，传统AI模型常因“黑箱”特性不被临床信任。这些痛点呼唤一种既能捕捉患者纵向病史、又能透明化决策依据的技术方案。

来自伊朗德黑兰的K.N.Toosi科技大学团队在《Scientific Reports》发表研究，提出了一种融合门控循环单元（GRU）和SHAP可解释性分析（XAI）的创新框架。该研究利用帕金森病进展标志物倡议（PPMI）数据库的632名患者、共4041次随访数据，构建了基于GRU的多标签分类模型。关键技术包括：1）采用GRU处理患者连续5次就诊的12维特征（如运动症状、用药史）；2）对比个性化（时序输入）与非个性化（单次输入）架构性能；3）通过SHAP值解析模型决策的全局与局部特征重要性。

研究结果显示，个性化GRU模型在10折交叉验证中全面碾压对照组：准确率0.92 vs. 0.68（非个性化），F1-score 0.94 vs. 0.83，且宏平均AUC达0.94。SHAP分析揭示，既往用药（如LD使用史）和ADL（日常生活能力）是预测未来处方的关键因素。例如，某患者LD使用概率的基线为0.90，而震颤症状和既往DA用药会分别产生正向/负向调节。有趣的是，模型主要混淆发生在LD单药与LD联合其他药物的分类上，这与临床实践中辅助用药（如MAOBi）常与LD联用的现实相符。

讨论部分指出，该研究首次将序列学习与XAI结合用于PD用药决策，其优势体现在三方面：1）时序建模捕捉了PD渐进性特征；2）SHAP力图为医生提供“可操作的解释”，如某病例显示高龄会降低其他药物使用概率；3）计算效率高（训练时间<203秒）。但局限性在于数据性别偏差（男性占比59%）和缺乏抗胆碱能药物记录。未来需在真实世界验证，并探索Transformer等更复杂架构。这项成果为PD精准医疗提供了兼具预测精度与临床可解释性的新范式，其方法论也可拓展至其他慢性病管理领域。