用于预测过敏性鼻炎皮下免疫治疗中患者依从性的序列模型

目的：皮下免疫疗法 (SCIT) 是过敏性鼻炎 (AR) 的长效因果治疗方法。如何提高患者的依从性以最大化过敏原免疫疗法 (AIT) 的益处，在 AIT 的管理中起着至关重要的作用。本研究旨在利用新型机器学习模型，精确预测 AR 患者在三年 SCIT 中的不依从风险及相关局部症状评分。方法：本研究开发并分析了两个模型，即随机潜在演员-评论家 (SLAC) 的序列潜变量模型 (SLVM) 和长短期记忆网络 (LSTM)，并基于评分和依从性预测能力对它们进行评估。结果：排除第一个时间步长的有偏样本后，SLAC 模型的预测依从性准确率为 60% 至 72%，而 LSTM 模型为 66% 至 84%，具体随时间步长而变化。SLAC 模型的均方根误差 (RMSE) 范围在 0.93 至 2.22 之间，而 LSTM 模型在 1.09 至 1.77 之间。值得注意的是，这些 RMSE 显著低于 4.55 的随机预测误差。结论：我们创造性地将序列模型应用于 SCIT 的长期管理，在预测 AR 患者 SCIT 不依从性方面具有良好的准确性。虽然 LSTM 在依从性预测方面优于 SLAC，但 SLAC 在对接受 AR SCIT 患者的评分预测方面表现出色。基于状态-动作的 SLAC 增加了灵活性，为管理长期 AIT 提供了一种新颖且有效的方法。