南疆地區女性壓力性尿失禁的預測模型構建

王元毅,曾 凱,郝 雨,李 晨,倪 釗,李 強,王勤章

(石河子大學醫學院第一附屬醫院泌尿外科，新疆石河子 832000)

目前我國女性壓力性尿失禁(stress urinary incontinence，SUI)的患病率為18.8%，這一數據正在逐年上升并一直維持在較高的水平[1],有文獻報道我國新疆南疆地區漢族女性SUI患病率達38.7%[2],而維吾爾族女性則高達43.5%[3]。如此高的患病率，不僅給患者身體及心理上帶來痛苦，而且還增加個人的醫療經濟負擔及國家醫療資源支出[4]。因此有效地預測SUI的發生，并給予提前干預措施，從而減少女性SUI的患病率非常必要[5]。近年來，隨著人工智能的興起與發展，對于疾病的診斷及預測愈發成熟。目前關于SUI的預測模型僅圍繞產后等特定范圍及時間段[9-11]，不具有普適性；而本研究以我國女性SUI危險因素Meta分析結果作為預測變量，建立南疆女性SUI的預測模型，以期通過對SUI的風險預測，達到早預防、早治療，從而減少女性的患病率及經濟負擔。

1 資料與方法

1.1 資料來源課題組于2019年4-8月通過分層整群抽樣方法在南疆地區進行《南疆地區盆底功能障礙性疾病流行病學調查研究》，本研究從中選取有關SUI建模所需數據。

1.2 納入及排除標準納入標準：所選區域2010年第六次人口普查登記的常住人口及流動人口(在調查點居住>6個月)，年齡18周歲以上神志清楚、理解能力正常、自愿參加該調查的個人，能夠完成相關臨床檢查，并自愿簽署知情同意書的人群為總體。

排除標準：①具有嚴重基礎疾病或嚴重遺傳性疾病者不適合完成相關檢查；②被調查者字跡不清、無法辨認者；③被調查有漏填現象，被調查結果明顯失真、有邏輯錯誤。

1.3 資料獲取及診斷標準

1.3.1一般信息 通過填寫一般信息調查表獲取，內容包括：性別、年齡、文化程度、職業、婚姻狀況、就醫情況、是否伴發軀體器質性疾病、飲酒史、既往史等。

1.3.2SUI 根據國際尿控協會(International Continence Society，ICS-2002)定義[12],并填寫國際尿失禁咨詢委員會尿失禁問卷表簡表(International Consultation on Incontinence Questionnaire-short form，ICIQ-SF)。

1.3.3便秘 參照羅馬Ⅳ標準，并需要排除腸道及全身器質性因素、藥物及其他原因導致的便秘。并行專科查體及填寫便秘患者生活質量量表(Patient Assessment of Constipation Quality of Life Questionnaire，PAC-QOL)。

1.3.4婦產科相關信息 由婦產科醫師詢問相關情況(孕產史、絕經時間、手術史、婦科相關疾病史等)并行婦科檢查及盆底超聲檢查。

1.4 方法

1.4.1文獻檢索及分析 通過計算機檢索中文數據庫：中國知網、維普、萬方、中國生物醫學；外文數據庫：PubMed、Web of Science、The Cochrane Library、Clinicalkey。搜集我國女性SUI危險因素的橫斷面研究、病例-對照研究及隊列研究，檢索時限均從建庫至2020年5月。此外，追溯納入文獻的參考文獻，以補充獲取相關文獻。對納入文獻橫斷面研究采用美國衛生保健質量和研究機構(Agency for Healthcare Research and Quality，AHRQ)[13]推薦的偏倚風險評價量表進行評價。病例對照研究和隊列研究的偏倚風險評價采用紐卡斯爾-渥太華量表(Newcastle-Ottawa scale，NOS)[14]。采用Excel 2019和RevMan 5.3對提取的數據進行統計分析，納入研究的異質性用Q檢驗進行分析(檢驗水準為α=0.1)，同時結合I2定量判斷異質性大小。若各研究結果間無統計學異質性，則采用固定效應模型進行Meta分析；若各研究結果間存在統計學異質性，則進一步分析異質性來源，在排除明顯臨床異質性的影響后，采用隨機效應模型進行Meta分析。對納入文獻≥10篇的結局指標繪制漏斗圖并結合失安全系數評價發表偏倚。

1.4.2數據整理及建立模型 從《南疆地區盆底功能障礙性疾病流行病學調查研究》數據庫中篩選及整理符合納入標準的資料數據。運用Spss Modeler Subscription 建立多層感知器(multi-layer perceptron，MLP)神經網絡模型,其中將中國女性SUI危險因素的Meta分析結果作為預測變量,輸出目標為SUI。

1.5 統計學處理采用Epidata3.1對原始數據進行雙錄入，SPSS 25.0對數據進行篩選，Spss Modeler Subscription 進行MLP神經網絡模型構建。采用靈敏度、特異度、準確度、接受者操作特性曲線(receiver operating characteristic curve，ROC)及曲線下面積(area under curve，AUC)、基尼系數(gini index)評價模型。

2 結 果

2.1 流調資料在南疆地區共收集928例樣本，其中排除男性、缺失身高、體重等數據者368例，最終納入560例構建模型，其中發生SUI者216例。

2.2Meta分析及結果經過文獻檢索、評價及篩選，共納入35篇文獻行Meta分析，包括橫斷面研究31篇，病例對照研究4篇，涉及國內15省樣本量共計94 043人。相關危險因素有20個，最終結果提示我國女性SUI的危險因素：年齡、體質指數(body mass index，BMI)、勞動強度、飲酒史、高血壓、便秘、呼吸系統疾病史、泌尿系統疾病史、婦科疾病史、孕次、產次(≥3次)、第一胎胎兒體重、會陰裂傷、陰道分娩、絕經、盆腔手術史、子宮脫垂，剖宮產為保護因素(表1)。

表1 中國女性發生SUI相關危險因素

2.3 建立SUI預測模型運用SPSS Modeler Subscription 數據挖掘軟件建立MLP神經網絡模型。輸入預測變量為年齡、BMI等上述Meta分析結果。其中年齡、BMI、第一胎胎兒體重為連續型變量，勞動強度、孕次為有序變量，其余為標記變量。輸出目標為SUI。分區選擇培訓70%(408例)，測試15%(77例)，驗證15%(75例)。選擇可重復的隨機分配，隨機種子為7 462 243。模型構建選項：創建標準模型，構建兩個隱藏層，隱藏層1有20個神經元，隱藏層2有15個神經元。中止規則為默認選項，選擇可復制結果，隨機種子為477 534 151。運行結果提示模型準確性達86.8%(圖1A)。預測變量重要性排序提示年齡、BMI對SUI預測最為重要(圖1B)。

A:模型概要;B:預測變量重要性排序。

2.4 模型評價通過靈敏度、特異度、準確度、ROC曲線、AUC及Gini系數進行模型的評估，結果提示模型的準確度在86.76%(表2)。對模型進行測試提示模型準確度為84.42%(表2)。而通過75例樣本，利用訓練完成的模型進行判斷是否發生SUI。結果提示模型的靈敏度為93.1%，特異度為80.43%，準確度為85.33%，AUC為0.924，Gini系數為0.848。AUC及Gini系數越接近1，表明二分類模型更好[15]。說明該模型在判斷南疆女性在是否發生SUI上具有較好的預測能力(表2、圖2)。

表2 模型的性能評價指標

圖2 壓力性尿失禁(SUI)神經網絡模型[培訓(A)、測試(B)]及驗證的ROC曲線(C)

3 討 論

SUI是讓女性羞于啟齒同時也讓女性痛苦的疾病,嚴重影響女性患者的生活質量[16]。然而,目前SUI的病因及發病機制仍不明確,對SUI的治療方案多種多樣,但治療效果參差不齊。因此，通過早發現、早干預來預防SUI的發生，就變得非常重要[5]。本研究以SUI的危險因素作為預測變量，通過人工神經網絡構建預測模型，以期為廣大女性及醫務人員在SUI的預防及干預提供參考依據。

本研究顯示年齡、BMI、第一胎胎兒體重、子宮脫垂、孕次等是女性發生SUI的預測變量，其中年齡和BMI是最重要的預測因素，國外HANNESTAD等[17]的研究顯示,女性隨著年齡的增加，SUI的患病率也隨之增加。國內ZHANG等[18]關于國內地區的SUI研究表明，年齡是我國女性發生SUI的高危因素，其中尤其以40～49年齡組為重。本研究也表明年齡是預測SUI的重要因素。關于BMI對SUI的影響，AUNE等[19]的研究表明BMI每增加5 kg/cm2，腰圍每增加10 cm，體重每增加10 kg，尿失禁的相對風險增加20%、18%和34%。DIOKNO等[11]建立的尿失禁預測模型表明BMI是影響尿失禁發生的第一重要因素。而本研究結果提示BMI是SUI的重要預測因素。

目前人工神經網絡在疾病的診斷、預測等方面應用非常廣泛，并且模型預測效果良好[6-8]。而關于SUI的預測模型，目前國內有學者陳曉敏、陳玲等[9-10]建立了線列圖預測模型，但該預測模型僅限于孕期及產后，同時預測變量較少，而引起SUI的危險因素卻是多樣性的[5]，故不適用于整個女性群體。國外DIOKNO等[11]通過家庭采訪形式對尿失禁的危險因素進行篩查并將危險因素以排列組合的形式建立預測模型，其模型的靈敏度和特異度分別為 78.6%和 65.1%，但其樣本數據92.1%來自白人，7.5%來自黑人，這將導致該模型不適用于其他人群。

本研究的優勢：首先相較于其他研究的特定人群及單一因素，本研究通過對我國女性發生SUI的危險因素進行Meta分析，確定預測變量，使得預測變量更加全面，更具有可信度及普適性，同時也更符合我國女性的基本情況。第二，人工神經網絡模型具有非線性映射能力，已證明三層的神經網絡就能以任意精度逼近任何非線性連續函數，這使得其特別適合解決內部機制復雜的問題。同時，神經網絡具有自學習和自適應能力。

本研究的局限性：①模型納入數據相對較少，不過，后期可通過課題組再次補充樣本數據，對模型進行優化及再訓練；②本模型是回顧性研究，缺少前瞻性驗證，后期可通過課題組構建的基于南疆地區盆底功能障礙性疾病集成診療及大數據云平臺，進行每年的跟蹤隨訪，以驗證模型的準確性；③人工神經網絡模型也存在樣本依賴性問題，不僅依賴大樣本數據，同時需要樣本的典型性及代表性。而本研究采用SUI的危險因素作為樣本數據，使得樣本在最大程度上具有典型性及代表性。

綜上所述，根據建立的南疆女性SUI風險預測模型，可以較好地對女性發生SUI進行風險預測，并可以針對相關危險因素采取干預措施，如BMI超標、多孕多產者等，可采取減重、盆底肌肉鍛煉等方式，加強盆底肌功能，以期減少女性SUI的發生。