简介:摘要目的构建融合空气数据的深度网络慢性阻塞性肺疾病(慢阻肺)评估测试(CAT)评分预测模型,并探讨其意义。方法采用定组研究的方法,自2015年2月至2017年12月从北京大学第三医院、北京大学人民医院和北京积水潭医院呼吸科门诊入选稳定期的慢阻肺患者,采集患者住宅区附近的室外环境监测空气数据,计算患者每日空气污染物暴露量和天气数据,并连续记录患者每日的CAT评分。通过融合时序算法和神经网络建立模型对患者未来一周的CAT评分进行预测,并比较该模型与长短期记忆模型(LSTM)、添加全局注意力机制的LSTM模型(LSTM-attention)和自回归移动模型(ARIMA)的预测准确程度,并探讨预测模型的意义。结果共纳入47例慢阻肺患者,平均随访时间为381.60 d,利用采集的空气数据和CAT评分构建长短期记忆模型-卷积神经网络-自回归(LSTM-CNN-AR)模型,其模型的均方根误差为0.85,平均绝对误差为0.71,较LSTM、LSTM-attention和ARIMA三者中最优模型平均预测准确度提升21.69%。结论基于慢阻肺患者所处环境的空气数据,融合深度网络模型可更精准地预测慢阻肺患者的CAT评分。