network,DNN)和卷積神經(jīng)網(wǎng)絡(luò)(convol在1993年首次通過(guò)ANN分析血清胰酶活性診斷AP,發(fā)現(xiàn)脂肪酶是AP合應(yīng)用脂肪酶和淀粉酶(P<0.05)。Pofahl等在1998年首次使用AI預(yù)測(cè)analysis,LDA)性能相當(dāng)(P=0.530),并優(yōu)于Ranson(P<0.020)和建立了ANN與邏輯回歸(logisticregression,LR)兩種模型，對(duì)234例SAP患者的回顧性數(shù)據(jù)集進(jìn)行測(cè)試，并在另外6住院死亡的最佳預(yù)測(cè)模型是包含4個(gè)變量(年齡、初次入院后60~72h內(nèi)的最高血清肌酐值、是否機(jī)械通氣和慢性健康狀態(tài))的LR模型Ranson、Imrie評(píng)分。Pearce等采用核邏輯回歸(kernellogisticAP嚴(yán)重程度發(fā)現(xiàn)該模型預(yù)測(cè)AP嚴(yán)重程度的能力明顯優(yōu)于入院APAⅡ評(píng)分(AUC值分別為0.82、0.74,P=0.004)。該研究表明機(jī)器學(xué)習(xí)可綜合征(multiorgand分別為92.5%、94.1%和97.5%,ANN較APACHEⅡ和格拉斯哥評(píng)分能更準(zhǔn)確地預(yù)測(cè)SAP、MODS的發(fā)生及死亡(P值均<0.05),該研究首次和入院48h的Ranson評(píng)分更準(zhǔn)確地預(yù)測(cè)了ABP患者的嚴(yán)重程度tree,CART)模型早期識(shí)別SAP高風(fēng)險(xiǎn)(79.03%)和低風(fēng)險(xiǎn)(7.80%)患者，其預(yù)測(cè)效能優(yōu)于APACHEⅡ評(píng)分(AUC值分別為0.84、0.68,訓(xùn)練組預(yù)測(cè)SAP的靈敏度和特異度分別為80.9%和90.0%,測(cè)試組分別為88.6%和90.4%。Choi等也建立了由APACHEⅡ、BISAP評(píng)分和評(píng)分(AUC=0.84)、EPIC評(píng)分(AUC=0.74)、BalthazarCT分級(jí) (AUC=0.70),特異度為100%,準(zhǔn)確度為94.8%;在驗(yàn)證隊(duì)列中，該模個(gè)基于11項(xiàng)靜脈血標(biāo)志物的AP嚴(yán)重程度分層模型，該模型在24h內(nèi)對(duì)AP進(jìn)行分類，AUC值為0.74±0.04。隨后該模型在568例AP患者中得到進(jìn)一步驗(yàn)證(AUC=0.73),預(yù)測(cè)效能與Ranson評(píng)分neuralnetwork,MPL-ANN)和偏最小二乘判別(partialleast指標(biāo)，結(jié)果顯示，中性粒細(xì)胞/淋巴細(xì)胞比是最具價(jià)值的預(yù)測(cè)指標(biāo)(AUC=0.99,95%CI0.984~0.997,靈敏度94.3%,特異度98.6%)。與PLS-DA模型(AUC=0.91,95%CI0.853~0.971,靈敏度87.8%,特異度84.4%,準(zhǔn)確度84.8%)相比，MPL-ANN模型在SAP患者的診敏度92.7%,特異度93.3%,準(zhǔn)確度93.0%)。Ding等首次使用美國(guó)大發(fā)現(xiàn)ANN(AUC=0.77)性能優(yōu)于LR模型(AUC=0.61)、Ranson評(píng)分該模型在訓(xùn)練和測(cè)試隊(duì)列中的AUC值分別為靈敏度為81.3%,特異度為98.9%,準(zhǔn)確度為96.2%,且預(yù)測(cè)效能顯著高于LR模型或APACHEⅡ評(píng)分(P值均<0.001)。Langmead等開(kāi)發(fā)了包含5個(gè)血清細(xì)胞因子的RF模型，結(jié)果顯示其AUC值為0.91,準(zhǔn)確度為89%,陽(yáng)性預(yù)測(cè)值為0.89,陰性預(yù)測(cè)值為0.90,優(yōu)于單個(gè)細(xì)胞因子、實(shí)損傷的風(fēng)險(xiǎn)，結(jié)果顯示預(yù)測(cè)靈敏度為87.5%,特異度為83.3%,準(zhǔn)確度為84.43%,且ANN的預(yù)測(cè)性能顯著優(yōu)于LR模型(P=0.012)。2019年，著優(yōu)于LR模型(P<0.05),與柏林標(biāo)準(zhǔn)的ARD61.5%、82.8%,總準(zhǔn)確度為73.1%。該團(tuán)隊(duì)還運(yùn)用AI預(yù)測(cè)了AP相關(guān)門(mén)靜脈血栓的發(fā)生，其中3項(xiàng)研究采用ANN模型，1項(xiàng)研究采用CART模型成功預(yù)測(cè)了55.8%的AKI患者和90.2%的隨后需要透析的患者。Qu等發(fā)現(xiàn)XGBoost對(duì)AP患者AKI的預(yù)測(cè)效果最好(AUC=0.92),且明顯優(yōu)的算法建立AP并發(fā)AKI的預(yù)測(cè)模型，各模型AUC值在0.73(95%CI0.223~1.227)至0.90(95%CI0.400~1.403)之間,其中RF模型預(yù)測(cè)效果neuralnetwork,RNN)的時(shí)間感知相干長(zhǎng)短期記憶(time-awareRAP組、功能性腹痛組和CP組的AUC值分別為0.88、0.79和0.90,總體預(yù)測(cè)準(zhǔn)確度為82.1%。本，該模型在訓(xùn)練集中的靈敏度為91%,特異度為87%,在測(cè)試集的靈比較，3種方式鑒別CP與胰腺癌的準(zhǔn)確度分別為80%、85%和83%,首算法的模型具有更好