基于深度学习算法的环境因素预测哮喘患者数量
2024/03/18
摘要
背景：空气污染、天气、花粉和流感是哮喘的典型急性发作因素。先前的研究已经使用基于回归和集合模型确定了风险因素。然而，考虑这些因素之间复杂关系和相互作用的研究尚未进行。尽管深度学习算法可以解决这个问题，但有必要对结果的建模和解释进行进一步的研究。
方法：在本研究中，从2015年到2019年，利用空气污染物、天气状况、花粉和流感的信息，使用循环神经网络、长短期记忆（LSTM）和门控循环单元模型预测急诊室哮喘患者和门诊哮喘患者的数量。通过特征重要性分析量化了环境因素在哮喘急性发作中的相对重要性。
结果：我们发现 LSTM 是为哮喘患者建模的最佳算法。我们的结果表明，流感、气温、可吸入颗粒物、二氧化氮、一氧化碳和花粉对哮喘恶化有显著影响。此外，一年中的周数和每周的节假日数分别是模拟哮喘患者人数季节性和节假日门诊关闭影响的重要因素。
结论：LSTM是一种极好的建模复杂流行病学关系的算法，包括非线性、滞后反应和相互作用。我们的研究结果可以指导决策者了解哮喘急性发作的环境因素。
文献来源：Prediction of the number of asthma patients using environmental factors based on deep learning algorithms. Hyemin Hwang, et al. Respir Res 2023 Dec 1. PMID: 38041105
背景：空气污染、天气、花粉和流感是哮喘的典型急性发作因素。先前的研究已经使用基于回归和集合模型确定了风险因素。然而，考虑这些因素之间复杂关系和相互作用的研究尚未进行。尽管深度学习算法可以解决这个问题，但有必要对结果的建模和解释进行进一步的研究。
方法：在本研究中，从2015年到2019年，利用空气污染物、天气状况、花粉和流感的信息，使用循环神经网络、长短期记忆（LSTM）和门控循环单元模型预测急诊室哮喘患者和门诊哮喘患者的数量。通过特征重要性分析量化了环境因素在哮喘急性发作中的相对重要性。
结果：我们发现 LSTM 是为哮喘患者建模的最佳算法。我们的结果表明，流感、气温、可吸入颗粒物、二氧化氮、一氧化碳和花粉对哮喘恶化有显著影响。此外，一年中的周数和每周的节假日数分别是模拟哮喘患者人数季节性和节假日门诊关闭影响的重要因素。
结论：LSTM是一种极好的建模复杂流行病学关系的算法，包括非线性、滞后反应和相互作用。我们的研究结果可以指导决策者了解哮喘急性发作的环境因素。
文献来源：Prediction of the number of asthma patients using environmental factors based on deep learning algorithms. Hyemin Hwang, et al. Respir Res 2023 Dec 1. PMID: 38041105
（中国医科大学附属第一医院呼吸与危重症医学科 陈宇晗 苏新明）
上一篇：
美国重度持续性哮喘患者疾病负担的地理变化
下一篇：
trans-IL-6信号传导的上皮基因特征定义了低2型哮喘亚组
