构建和验证基于机器学习的模型,预测脱补偿性肝硬化患者的早期再入院:一项前性两中心队列研究
Fang Yang1, Jia Li2, Ziyi Yang2
1Department of Digestive System, Baodi Clinical College of Tianjin Medical University, Tianjin Baodi Hospital, No.8, Guangchuan Road, Baodi District, Tianjin, 301800, China.
BioData mining
|September 24, 2025
概括
这项研究开发了一种可解释的机器学习模型,用于预测非补偿性肝硬化患者的早期再入院情况. 该模型准确识别高风险个体,有助于更好的临床管理和改善患者的治疗结果.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 肝病学 肝病学是一种肝病学.
背景情况:
- 早期的30天再入院是不补偿性肝硬化症的重大负担.
- 目前的预测方法缺乏特异性和敏感性.
- 需要准确识别高风险患者,以便及时干预.
研究的目的:
- 构建和验证可解释的基于机器学习 (ML) 的预测模型,用于不补偿性肝硬化早期再入院.
- 评估ML模型的预后实施情况.
- 解决临床预测中的ML模型的"黑盒子"性质.
主要方法:
- 一个两中心的前性调查,有636名患者进行发现,150名患者进行外部验证.
- 评估了11个ML算法,并根据其性能选择了随机森林 (RF).
- 为了模型的可解释性和特征的重要性,使用了夏普利增材扩展 (SHAP).
主要成果:
- 七个特征的射频模型表现出强大的预测性能,AUC为0.853 (内部) 和0.838 (外部).
- 该模型确定了疾病严重程度加重和心理生理学储备较差的患者.
- 基于该模型开发了一个在线工具,以帮助临床实践.
结论:
- 可解释的ML模型有效地预测了不补偿性肝硬化病的早期再入院.
- 该模型与不良患者结果相关,使得主动管理成为可能.
- 该模型的可解释性解决了有关ML"黑子"问题的担忧.