在严重肝硬化中预测短期死亡率:一个可解释的机器学习模型,集成常规临床指标
Shun Zhang1,2, Rui Liu2, Zhengjie Li1,2
1Department of Gastroenterology, Chengdu University of Traditional Chinese Medicine Affiliated Hospital of Integrated Traditional Chinese and Western Medicine, Chengdu, China.
PloS one
|March 3, 2026
概括
一个新的机器学习模型准确地预测严重肝硬化患者的短期死亡率. 关键预测因素包括年龄,INR,肌素和AST/ALT,有助于临床风险分层和干预.
科学领域:
- 关键护理医学 关键护理医学
- 机器学习在医疗保健中的应用
- 肝脏疾病研究 肝脏疾病研究
背景情况:
- 严重的肝硬化呈现出高30天死亡率,需要精确的风险分层.
- 有效的临床干预取决于可靠的工具来预测患者的结果.
研究的目的:
- 开发一种机器学习 (ML) 预后模型,用于预测非补偿性肝硬化症的短期死亡率.
- 利用关键护理数据进行增强的患者风险评估.
主要方法:
- 从MIMIC-IV数据库中对1,044名患者进行了回顾性分析,分为培训和验证组.
- 使用多维临床参数开发一个ML模型.
- 内部验证和Cox比例危险回归用于生存分析.
主要成果:
- 该ML模型确定了八个关键预测因素:年龄,INR,肌素,血小板,白细胞计数,总 bilirubin,胃潰瘍和AST/ALT比率.
- 该模型在培训队列中实现了0.846的AUC,显示出强大的预测准确性.
- 在不同的国际正常化比率 (INR) 范围内观察到死亡率的显著变化.
结论:
- 开发的ML模型有效地识别了高风险的肝硬化患者,以便及时进行干预.
- 确定的主要预后因素包括实验室标记和临床并发症,强调密切监测患者.
- 建议在多中心研究中进行外部验证,以扩大模型的临床适用性.
