1武万娜，1杨能学，2罗晓华
1 重庆建设医院，重庆九龙坡400050
2 重庆交通大学，重庆南岸区400074
摘要 目的 探讨基于神经网络技术分析肺功能数据在非急性发作期哮喘长期管理中的临床效果。方法 本课题选取我科门诊的10例非急性发作期的哮喘患者，随机分组，手机组和预测组各5例。手机组：患者使用手机小程序填写ACT问卷，使用手持肺活量仪自测肺功能并上传数据到手机小程序，医师端及时依据患者症状和肺功能数据，给予患者指导和用药调整。预测组：在手机组的基础上，研究人员建立数据库，结合神经网络技术分析肺功能和ACT评分，预测下一阶段患者可能达到的哮喘控制水平，医生依据患者的实时数据和预测结果，给予患者精准干预；患者加强自我管理。结果 对所有研究对象均随访6个月后进行评估，预测组在遵医行为（P<0.01）和哮喘控制水平（P<0.001）两个方面均优于手机组。结论 结合神经网络分析肺功能数据，预测患者哮喘控制水平，为哮喘患者的治疗和管理提供了一种可行的干预方式，提高患者的治疗依从性，改善哮喘的控制率。
关键词 哮喘；神经网络；病情评估；预测
哮喘是一种严重的全球性疾病，全球约有3亿哮喘患者。我国哮喘的发病率约为0.5%-5%，呈逐年上升趋势，我国已成为全球哮喘病死率最高的国家之一。虽然哮喘不能治愈，但它是可以控制的疾病，支气管哮喘患者防治指南（GINA）指出，控制哮喘的良好基础是坚持日常管理。当前非急性发作期哮喘患者的长期管理主要采取门诊随访、个人记录哮喘日记及监测峰流速（PEF）等形式进行。但在实际中往往存在患者非发作期健康意识淡化、疏于自我管理；记录的肺功能数据庞杂，医生判断病情耗时耗力，对患者缺乏个体化医疗指导等问题。本研究项目，基于手机小程序呼吸家和手持肺活量仪，远程管理哮喘患者，应用神经网络技术，分析实时采集的肺功能数据和ACT评分，预测下一阶段患者的哮喘控制水平，指导医生精准干预。本研究在结合神经网络分析肺功能数据，在非急性发作期哮喘的长期管理中取得一定的效果。现报道如下：
1 基于LSTM多变量时序ACT预测
1.1基本原理
神经网络如LSTM则擅长于处理多个变量的问题，该特性使其有助于解决时间序列预测。作为ACT分值的预测，患者ACT评分和肺功能指标PEF(L/min)、FEV1(L)、FVC(L)（简称三指标）之间具有良好的相关性，在6个月的试验期，我们采用手机组患者每周使用手机小程序呼吸家填写哮喘控制问卷（ACT），获得ACT评分，与同一时间采集的三指标对应构成多变量与病情的预测数据集。
1.2 数据采集
数据来源于重庆建设医院武万娜主治医师在2018年8月-2019年2月期间，共6个月，每天采集的患者的三指标与每周3次采集的ACT评分。
三指标呼吸家原始数据中完整数据格式如下：
时间 PEF(L/min) FEV1(L) FVC(L) 操作
2019-05-12 09:41 170 0.9 0.9 波形
我们的数据集取前4项加一项问卷调查ACT指标：包括日期、PEF(L/min)、FEV1(L)、FVC(L)、ACT。（见图1）。当然第五项波形非常重要，可以表示一个完整的肺通气功能的测试过程，可在以后的项目中采用。
1.3 建模和数据处理
我们利用上述数据集搭建训练预测模型，利用前一个或前几个时刻的三指标及ACT数值预测下一个或多个时刻的ACT值。
LSTM数据准备
第一步：准备LSTM神经网络训练和测试的的三指标和ACT数据集。
三指标和ACT数据有6个月采集阶段，按照7：3分为训练集和测试集，并将数据集构造为监督学习问题并对输入变量进行归一化。
第二步：根据过去一天或几天的三指标数据和ACT值，预测下一次的ACT值。
第三步：根据预测的ACT值，预测出三指标的数值。
第四步：通过预测值和验证阶段的实际值，采用均方根误差（RMSE）分别计算预测值与训练集和测试集的准确率。
.png)
.png)
均方根误差（见图2）包括训练数据和测试数据：
Train Score: 2.22 RMSE
Test Score: 2.71 RMSE
通过图3的预测结果对比可以看出预测周期越长效果越差，效果最好的是接近训练结束时间的3到4周左右，也就是12个ACT值，纵坐标ACT取值介于0-25，横坐标表示样本数量。
2 神经网络技术分析肺功能的临床应用
2.1 选定研究对象：本课题选取我科门诊的10例非急性发作期的哮喘患者，其中男性6例，女性4例，平均年龄56.8（45-68）岁，其诊断标准为中华医学会呼吸病学分会哮喘学会组制定的“2016年支气管哮喘患者防治指南”。排除标准：合并慢性阻塞性肺疾病；合并各系统恶性肿瘤；无法配合肺功能检查者；无法使用智能手机者；独居或无家庭陪护人员；无法独立完成吸入性药物的摄入。
2.2 研究方法
2.2.1 分组方法 随机分为两组：手机组5例和预测组5例。
手机组：6个月内定期到我科门诊复查肺功能。患者每周3次使用手机小程序呼吸家填写ACT问卷，每天使用手持肺活量仪（品牌：HOMD/家瑞康，型号A1，注册证号：粤械注准20172210734）自测肺功能，通过蓝牙实时上传数据到手机小程序，医师端及时依据患者症状和肺功能数据（PEF、FEV1、FVC），给予患者个性化指导，建议和用药方案调整。
预测组：在手机组的基础上，利用手机小程序医生端收集患者的肺功能数据和ACT评分，研究人员结合神经网络等机器学习技术，分析肺功能和ACT评分，预测下一阶段患者可能达到的哮喘控制水平，及时将上述结果反馈给医患双方，医生依据患者的实时数据和预测结果，给予患者个性化的指导、建议及用药调整。
2.2.2 确定观察指标
对所有研究对象均随访6个月，6个月后对2组研究对象进行评估，从评估遵医行为和哮喘控制水平两个方面进行评估。在评估遵医行为方面，包括正确用药、环境控制、按时复诊方面进行比较；在哮喘控制水平方面，包括FEV1%预计值和ACT评分进行比较；
①哮喘控制测试（ACT）评分是评价患者既往4周内哮喘控制程度的测试表，由美国Nathan教授设计，被认为是监测和评估哮喘病情简单有效的工具，可用于至少12岁的受试者。25分：完全控制；20~24分：部分控制；＜19分：未控制；
②肺功能是诊断哮喘的金标准，肺功能通气指标及气道反应的变化为临床医生了解哮喘患者病情控制程度及调整治疗方案提供了重要的辅助手段。
2.3 统计学方法
采用SPSS 19．0统计软件进行分析，计量资料以（x±s）
表示，采用t检验，多组数据比较采用方差分析，计数资料比较采用x2检验，P<0．05为差异有统计学意义。
2.4 结果
2.4.1 两组遵医行为比较
预测组患者较手机组患者在正确用药、环境控制、按时复诊方面，表现更好，提示预测组患者依从性更好。（见表1）。
.png)
2.4.2 两组ACT评分比较
入组时两组患者哮喘控制测试情况比较差异无统计学意义（P>0.05）,随访6个月后，预测组患者ACT评分较手机组差异有统计学意义（P<0.001） 。(见表2)。提示预测组患者的哮喘控制率高于手机组。
.png)
2.4.3 两组FEV%预计值比较
入组时及随访6个月后两组患者FEV%预计值比较，差异无统计学意义（P>0.05）,但两组FEV%预计值较入组时改善，预测组患者肺功能的改善均值高于手机组。(见表3)。
.png)
3 讨论
结果比较，预测组在遵医行为和哮喘控制水平两个方面均优于手机组。
支气管哮喘是一种常见的慢性呼吸系统疾病，表现为多种多样的反复出现的气流可逆性阻塞、支气管高反应性和气道炎症。根据国内外指南，非发作期哮喘的控制主要采取由评估、治疗、监测为轴心组成的哮喘长期管理模式，在对患者控制水平、未来急性加重风险正确评估的基础上，给予科学合理的综合治疗。结合手机小程序的慢病管理模式，医生及时获取患者肺功能数据和患者症状，但是面对大量肺功能数据，进行分析、比对，对疾病研判费时费力，一方面对患者预后的评估更多的基于临床经验，缺乏科学的依据。通过神经网络等人工智能技术处理海量的肺功能数据，数据反复训练、自我学习，可预测下一阶段的肺功能数据，国内外资料均显示肺功能数据PEF、FEV1、FVC等与ACT评分具有良好的相关性，利用肺功能指标预测ACT评分，借此预判下一阶段患者的哮喘控制水平，为医生指导患者，按阶梯治疗哮喘提供了科学依据。患者在诊疗中依从性差与哮喘患者人数持续增加有密切关系。本研究预测的ACT评分，及时反馈给患者，患者对哮喘控制水平，即自我病情有了正确认识，能够更好配合医生，加强自我管理，也使医生团队能高效的管理非急性发作期的哮喘患者，最终达到提高了哮喘控制水平，改善肺功能，提高患者生活质量的目的。在研究中发现，患者正确使用手持肺活量计采集肺功能数据，是判断病情的基本条件之一，加强患者培训十分重要。此外神经网络等机器学习，需要长期观察患者，获取大量数据加以训练，方能提高预测的准确性。目前手机小程序不具有神经网络技术，为医患双方使用带来不便，这是今后研究人员和手机技术开发人员需要合作解决的问题。
参考文献
1）张良宇，等. Python数据分析与挖掘实战 ISBN 978-7-111-52123-5,2015
2）董国华. 基于数据挖掘的中医诊断智能信息化技术研究. 万方数据，2015，硕士论文
3）杨妍，等. 哮喘智能管理 APP 在非急性发作期支气管哮喘患者中的临床应用. 临床肺科杂志 2017 ,22( 12),2164
4）陶品月，黄惠桥． 移动医疗 App 在慢性病患者健康管理中的应用进展［J］． 护理学报，2016，23( 19) : 22 － 25．
5）中华医学会呼吸病学分会哮喘学组．支气管哮喘防治指南 (2016年版 )[ S]．中华结核和呼吸杂志 ，2016，39(9)：675-697．
6）García-Gómez JM，de la Torre-Díez I，Vicente J，et al． Analysis of mobile health applications for a broad spectrum of consumers: a user experience approach［J］． Health Informatics J，2014，20( 1) :74 － 84．
7）赵 明 剑 ，郭 珊 山 . 基 于 MSP430 的 便 携 式 哮 喘 智 能 监 测 系 统 [J].电 子 技 术 应 用 ，2017 ，43(9) ：68-71 ，75.
8）林江涛, 苏楠, 农英. 中国哮喘患者402 例现状调查及亚太地 区的比较 [J]. 中华结核和呼吸杂志 , 2015, 38(2): 136-137.