控制营养状况评分预测肝切除术后的肝衰竭:一个在线可解释的机器学习预测模型
Jun Yuan1, Rui Qing Zhang1, Qiang Guo1
1Department of Hepatobiliary and Echinococcosis Surgery, Digestive and Vascular Surgery Center, The First Affiliated Hospital.
European journal of gastroenterology & hepatology
|April 10, 2025
概括
控制营养状况 (CONUT) 评分显著影响肝切除术后肝衰竭 (PHLF) 在肝细胞癌 (HCC) 患者. 使用CONUT分数的机器学习模型准确预测PHLF风险,帮助临床决策.
科学领域:
- 肝胆道手术是肝胆道的手术.
- 在瘤学瘤学.
- 医疗信息学医学信息学
背景情况:
- 肝切除术后肝衰竭 (PHLF) 是肝细胞癌 (HCC) 肝切除后的一个关键并发症.
- 准确的手术前预测PHLF对于患者管理和改善手术结果至关重要.
- 控制营养状况 (CONUT) 评分是一种营养指数,其在PHLF预测中的作用尚未得到广泛评估.
研究的目的:
- 为了研究CONUT得分和PHLF发病率之间的关联,在接受HCC肝切除术的患者中.
- 开发和验证一种机器学习 (ML) 模型,用于早期识别患有PHLF高风险的个体.
主要方法:
- 分析了464名接受肝切除术的HCC患者队列,数据分为培训 (n=324),测试 (n=94) 和验证 (n=46) 组.
- 单变量后勤回归和最小绝对收缩和选择操作员 (LASSO) 回归用于训练集中的特征选择.
- 九个ML算法用于构建预测模型,选择最佳模型,使用SHapley添加式扩展 (SHAP) 解释并在线部署.
主要成果:
- 在训练组中,PHLF发生在8.9%的患者中.
- 采用CONUT分数的光梯度增强机 (LightGBM) 模型在训练组中显示出强大的预测性能,AUC为0.927.
- 该模型在测试和验证组中实现了强大的性能,AUC分别为0.703和0.808,表明其可通用性.
结论:
- CONUT评分是HCC肝切除术后PHLF的重要预测指标.
- 开发的基于LightGBM的ML模型在预测PHLF方面表现出高准确性和临床实用性,促进风险分层和个性化患者护理.
