目的:利用人工神经网络方法,对药物性肝损伤(Drug-induced Liver Injury,DILI)的临床转归建立人工神经网络反向传播(Back Propagation-Artificial Neural Network,BP-ANN)预测模型,了解影响药物性肝损伤患者临床转归的因素,对其临床转归进行预测,并对相关影响因素进行平均影响值(Mean Impact Value,MIV)重要性评价。以期对影响DILI转归的因素增加相关措施,最终改善病患的出院转归。方法:(1)针对某三甲医院2014年6月1日-2017年6月1日以“药物性肝损伤”、“药物性肝病”等由药物造成肝损害为主要诊断的住院患者,以入院到出院为时间节点,将符合纳入排除标准的病例收集其临床数据,建立数据库。(2)采用Logistic单因素回归分析筛选出有统计学意义的影响因素,将其作为输入变量,转归情况作为输出变量,构建人工神经网络反向传播(BP-ANN)模型。从数据库中随机分出一定量样本放入训练集,剩余数据放入测试集,用于训练与测试模型,并通过受试者工作特征曲线下面积(Area Under the Curve,AUC)及准确度对模型拟合程度及模型预测DILI临床转归的准确率进行评价。(3)模型经过训练和测试稳定后,收集2017年7月1日-2018年1月1日符合纳入排除标准的病例,应用人工神经网络模型对其临床转归进行预测,预测患者出院时的转归情况,将预测结果与实际出院情况进行一一对比。(4)选择平均影响值MIV作为评价各个影响因素对于DILI转归的重要性大小,利用已经建好的BP模型对影响因素计算其MIV值,并按绝对值大小对其进行排序。结果:(1)190例样本中,男性61例女性129例,男女比例约为1:2.1。年龄最小者为15岁,最大为86岁,平均年龄(标准差)为47.96(13.61)岁。高发年龄段为41-50岁和51-60岁,分别占到总构成比的27.89%和31.05%。临床症状方面有23例无明显临床症状,而仅表现为肝功能的异常,占构成比的12.10%,较常见的临床症状为黄疸(53.20%)、纳差厌油(51.60%)、乏力(45.80%)、恶心(44.70%)、过敏(30.00%)等。临床分型方面,肝细胞损伤型146例,占76.80%;胆汁淤积型22例,占11.60%;混合型22例,占11.60%,以肝细胞损伤型最多见。引起药物性肝损伤的主要药物种类中传统中药(TCM)有84例,占44.20%;精神治疗药物有21例,占11.10%;心血管药物有14例,占7.40%;用药情况不详的有11例,另外合并用药的有101例,占53.20%。由传统中药导致引发的肝损伤,严重程度为4级的最多,有39例,占46.43%。(2)Logistic单因素分析结果显示,影响临床转归的因素包括患者既往药物过敏史、体质指数(BMI)、消化道症状、有无黄疸、谷丙转氨酶(ALT)首次异常值、碱性磷酸酶(ALP)首次异常值、谷草转氨酶(AST)首次异常值、谷氨酰转肽酶(γ-GGT)首次异常值、直接胆红素(DBIL)首次异常值、总胆红素(TBIL)首次异常值、间接胆红素(IBIL)首次异常值、血清白蛋白(ALB)、谷氨酰转肽酶(γ-GGT)峰值、直接胆红素(DBIL)峰值、总胆红素(TBIL)峰值、间接胆红素(IBIL)峰值、与严重程度。(3)BP神经网络训练模型结果显示AUC1000次中位数为0.8310,均值为0.8058,模型测试结果准确率(%)1000次的中位数为88.5714,均值为87.6986。预测结果显示50例患者中痊愈或好转的有43例,未愈或死亡的有7例。而实际情况50例病人中痊愈或好转的有37例,未愈或死亡的有13例,模型预测的符合率为84%。(4)影响因素MIV绝对值分析,消化道症状、直接胆红素(DBIL)首次异常值、谷草转氨酶(AST)首次异常值对DILI患者临床转归的影响最大。结论:消化道症状、直接胆红素、谷草转氨酶对药物性肝损伤患者的临床转归影响最大。BP人工神经网络模型结合DILI患者的消化道症状、有无黄疸及生化指标等影响因素建立预测模型能够很好预测肝损伤的临床转归,模型的预测结果与实际结果符合程度较高。