中国帕金森病生存预测模型的构建、验证及网络平台应用

《npj Parkinson's Disease》：Interpretable survival prediction in Parkinson’s disease with AI-assisted web deployment

摘要

帕金森病（PD）的生存预测目前仍然有限，且很少有模型被转化为可复现的基于网络的工具。我们分析了来自中国帕金森病登记处的3148名患者，这些患者于2018年至2020年间在19家三级医院入院，并被随访至2024年12月31日。通过重复五折交叉验证以及训练过程中的多重插补方法，比较了Cox回归模型、随机生存森林模型、生存树模型和XGBoost生存模型。最终确定的Cox模型是基于20个完整的数据集构建的，使用Rubin法则进行合并，并通过首次分割的时间验证方法进行评估。最终模型中保留的11个预测因子涵盖了人口统计学、遗传学、治疗相关因素、运动功能和非运动功能领域。Cox回归模型、随机生存森林模型和XGBoost模型的判别能力相似，三者的平均C指数均为0.716；而生存树的判别能力较低，平均C指数为0.690。对于最终应用的Cox模型，2年、4年和6年的AUC值分别为0.713、0.726和0.750。在时间验证中，C指数为0.708，表明该模型对绝对死亡风险的估计存在轻微低估。所选Cox模型被部署在一个网络平台上，可提供个性化的生存预测结果，该平台还包括语言模型模块，用于结构化数据输入和帕金森病的基本知识教育。