与肝脏再生相关的机器学习架构整合了对肝切除术后肝功能衰竭的时间阶段预测
Hao Shen1,2, Tao Yuan1, Anfeng Si3
1Department of Hepatobiliary and Pancreatic Surgery, Tenth People's Hospital of Tongji University, School of Medicine, Tongji University, Shanghai, China.
EClinicalMedicine
|December 16, 2025
概括
一个新的机器学习模型,PILOT,使用肝脏再生生物标志物和时间分阶段数据准确预测肝切除术后肝衰竭 (PHLF). 这一系统使得早期风险分层,以实现肝脏重大手术后个性化的患者管理.
科学领域:
- 肝胆道手术 肝胆道手术
- 机器学习在医学中的应用
- 生物标志物发现发现
背景情况:
- 肝切除术后肝衰竭 (PHLF) 是肝切除术后的一个关键并发症.
- 目前的预测模型缺乏准确性,因为没有充分考虑动态肝脏再生和外科外科因素.
- 需要先进的预测工具来改善肝切除术后的患者结果.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,即PILOT架构,用于预测PHLF.
- 整合与肝脏再生相关的新生物标志物与时间分阶段的外科手术数据,以提高预测准确度.
- 建立一个早期风险分层框架,以对接受重大肝切除术的患者进行个性化外科治疗.
主要方法:
- 一项回顾性多中心研究包括1071名接受重大肝切除术的患者.
- 55个术后变量,包括GATA3,RAMP2,VEGFA和PEDF等生物标志物,被收集到术前,术后和术后数据集中.
- 评估了13个ML算法,其中基于梯度的特征减少优化了PILOT模型 (LightGBM和XGBoost).
主要成果:
- 在培训和验证队列中,PILOT模型 (PILOT-Pre,PILOT-Intra,PILOT-Post) 与传统模型 (AUC 0.502-0.644) 相比,在培训和验证队列中显示出更好的预测歧视 (AUCs 从0.754到0.904).
- 综合PILOT-Pre和PILOT-Intra的风险分层框架实现了高精度的高风险 (94.4%-96.6%) 和低风险 (92.1%-95.5%) 患者组的识别.
- PHLF的主要预测指标包括血清含量,RAMP2-GATA3比率和PEDF-VEGFA指数.
结论:
- 飞行员架构有效地整合了肝脏再生生物标志物和时间分期数据,以便在术后6小时内准确预测PHLF.
- 该框架促进了早期风险分层,为个性化外科手术管理提供了一个实用的工具.
- 该研究强调了ML和新型生物标志物的潜力,改善了接受重大肝切除术的患者的治疗结果.
