在患有恶性胆道阻塞的患者中,基于机器学习的ERCP后胆道炎预测模型:一项回顾性多中心研究
Hengwei Jin1, Xu Sun1,2, Chang Fu1
1Department of Hepatobiliary and Pancreatic Surgery, General Surgery Center, First Hospital of Jilin University, No. 71, Xinmin Street, Changchun, Jilin Province, China.
Surgical endoscopy
|July 9, 2025
概括
这项研究开发了一种可解释的机器学习模型,用于预测ERCP后胆道炎 (PEC) 风险在患有恶性胆道阻塞 (MBO) 的患者中. XGBoost模型准确地识别高风险患者,有助于个性化治疗和改善结果.
科学领域:
- 胃肠病学和肝病学 胃肠学和肝病学
- 医疗信息学 医疗信息学
- 在瘤学瘤学.
背景情况:
- 内镜逆行胆血管瘤造影 (ERCP) 是对不可切割的恶性胆道阻塞 (MBO) 的关键息治疗方法.
- 经ERCP结肠炎 (PEC) 显著影响MBO患者的存活率.
- 准确预测PEC风险对于个性化治疗和改善预后至关重要,但目前还没有临床预测模型.
研究的目的:
- 开发和验证一种可解释的机器学习 (ML) 预测模型来预测ERCP后胆道炎 (PEC) 风险.
- 利用多中心队列进行强大的模型开发和验证.
- 为早期识别高风险MBO患者提供一个工具.
主要方法:
- 分析了1026名MBO患者 (培训/内部测试) 和395名 (外部验证) 的数据.
- 六种ML方法用于构建预测模型,XGBoost因其卓越的性能而被选中.
- 为了模型的可解释性,使用了夏普利添加式扩展 (SHAP) 方法.
主要成果:
- 在MBO患者中,PEC的发病率为9.5% (135/1421).
- PEC的独立风险因素包括射频废除,白细胞计数升高,中度黄和血清粉酶异常.
- 该XGBoost模型表现出强大的预测性能 (AUC: 0.9654培训,0.7670内部,0.7270外部) 具有良好的校准和临床净益.
结论:
- 一个可解释的XGBoost模型成功地开发和验证了使用多中心数据来预测MBO患者的PEC风险.
- 该模型使临床医生能够在手术前识别高风险患者.
- 这促进了个性化的治疗策略,最终旨在改善患者的预后.
