人工智能推导的LDL（C公式有优势,云南阜外医院研究）

但与 Singh 等研究不同的是，本研究纳入了性别和年龄，而且，训练样本量（106 989 例；初始样本量：118 449 例）远大于 Weill Cornell 模型初始样本量（17 500 例 ）。

Singh 等用随机森林树建立Weill Cornell 模型预测 LDL-C，也证明了人工智能技术在预测 LDL-C 方面的优势。

近期，ChatGPT的出现颠覆了人类对于人工智能的认知。人工智能技术在医疗领域应用也不断有新的突破。

公式法计算 LDL-C 浓度不受血清状态影响，适合非空腹或高脂血症人群估计 LDL-C 浓度，且能节约一定医疗资源，且传统公式存在各种局限不利于临床应用。

研究者收集云南省阜外心血管病医院 2017 年 9 月至 2021 年 11 月血脂测定数据共 118 449 例样本，整理血脂数据获取特征，构建一种基于人工智能技术推导 LDL-C 浓度的极限树回归（ETR）模型（LDL-ETR 模型 ）。

本研究建立的模型能节约一定医疗资源，同时不影响动脉硬化性心血管疾病的诊断，适合较为广泛地应用。

LDLETR模型相比传统的公式法能更好地预测 LDL-C 浓度，几乎不受甘油三酯（TG）干扰，与 LDL-C浓度实测值一致性较好，逻辑错误率较低。

来源：陈磊，陈蓉，张红星，等. 一种基于人工智能技术推导低密度脂蛋白胆固醇浓度的新方法.中国循环杂志, 2023,38:53-60. DOI: 10.3969/j.issn.1000-3614.2023.01.005.

此外，数据集调整权重后才导入模型进行训练，使得预测结果与 LDL-C 实测值拟合程度更佳，这也正是本研究所用 LDL-ETR 模型的优势。

在测试集总体 21 398 例样本中，LDL-ETR 模型中有 20 101 例样本（93.94%）与实测值一致，一致性较好。LDL-ETR 模型预测值的逻辑错误率较低，为 0.04%，仅次于 LDL-M 公式的 0.02%。通过学习曲线证明，LDL-ETR 模型预测结果适用于相同检验系统的其它样本。

LDL-ETR 模型预测值与实测值拟合优度为 0.9940，不确定度为 12.2109，相关系数为 0.9970。当TG在 0.89~885.11 mg/dl 的全浓度范围内，LDL-ETR 模型预测值与实测值之间差值为（-0.00±3.50）mg/dl，优于LDL-M 公式、LDL-S 公 式 和 LDL-F 公式。

研究者指出，该模型的应用可以节约 LDL-C 浓度检测费用；对于有疑问的 LDL-C 浓度实测值结果，例如 LDL-C浓度测定受仪器、试剂、标本状态影响时，通过与该模型预测值进行对照，可以提醒检验人员注意对异常结果进行解释或重测。

云南省阜外心血管病医院学者通过一种基于人工智能的建模方法成功建立了一种全新的推导低密度脂蛋白胆固醇（LDL-C）浓度的方法（LDLETR 模型）。

本研究建立的LDL-ETR 模型直接用 Python 编写，准备好环境可以直接调用，与实验室信息系统通信方便；当 TG 为0.89~885.11 mg/dl 浓度范围内，模型对 LDL-C 浓度的预测效果都优于目前的公式法，致 LDL-C 残留风险最低；训练模型样本量大于除 LDL-M 公式以外的其它公式。

通过学习曲线绘图，证明该模型对除建模数据外的其他患者 LDL-C 浓度也具有相似的预测能力，模型适用性强。

测量LDL-C浓度的方法包括直接测定法和公式法（LDL-M公式、LDL-S公式和LDL-F公式）。直接测定法结果较为准确，但会增加一定医疗开支。