首页|基于机器学习法构建乙型肝炎病毒相关慢加亚急性肝衰竭生存预测模型

基于机器学习法构建乙型肝炎病毒相关慢加亚急性肝衰竭生存预测模型

扫码查看
原文链接
  • 万方数据
  • 维普
目的 探讨乙型肝炎病毒相关慢加亚急性肝衰竭(HBV-ACLF)死亡的影响因素,基于机器学习算法构建HBV-ACLF患者3个月内生存情况的预测模型.方法 选取2020年4月至2022年8月南通市第三人民医院治疗的112例HBV-ACLF患者为研究对象,根据3个月内患者是否无死亡分为生存组(n=62)和死亡组(n=50),通过单因素logistic回归分析患者死亡的影响因素,使用基于机器学习的logistic回归、决策分类回归树(CRT)、反向传播神经网络(BPNN)算法构建HBV-ACLF患者3个月内生存预测模型,并采用受试者工作特征(ROC)曲线比较3种方法构建的模型对HBV-ACLF患者3个月内生存情况的预测价值.结果 单因素分析结果显示,两组患者吸烟史、乙肝病程、高血压史、合并肝性脑病、合并肝肾综合征、谷丙转氨酶(ALT)水平、清蛋白(Alb)水平差异均有统计学意义(P＜0.05),多因素logistic回归分析结果显示,乙肝病程、高血压史、合并肝肾综合征、ALT水平升高、Alb水平升高均是HBV-ACLF患者死亡的影响因素(P＜0.05).采用决策树CRT法构建的生存预测模型显示,合并肝肾综合征、HBV-DNA载量升高、ALT水平升高、合并高血压、Alb水平升高均是HBV-ACLF患者死亡的独立危险因素(P＜0.05).根据BP神经网络模型中自变量的重要性标准化后的结果,影响HBV-ACLF患者死亡前3位的因素是Alb、乙肝病程、ALT.3种机器学习算法构建的模型的曲线下面积(AUC)均＞0.800,非参数DeLong检验结果显示,3种模型的预测性能比较,差异无统计学意义(P＞0.05).结论 基于机器学习算法构建的HBV-ACLF生存预测模型对患者短期生存情况具有较好的预测效能,3种模型均具有良好的预测性能,可进一步推广应用以验证预测模型的效能.

方玲、钱湘云、杨建梅、徐静、陈雪英

展开 >

226000 江苏南通 南通市第三人民医院(南通大学附属南通第三医院)重症感染科

226000 江苏南通 南通市第三人民医院(南通大学附属南通第三医院)感染二科

226000 江苏南通 南通市第三人民医院(南通大学附属南通第三医院)肝病一科

乙型肝炎病毒相关慢加亚急性肝衰竭 预后 机器学习 预测模型

南通市卫生健康委员会科研项目

MSZ2022042

2024

10.3969/j.issn.1000-0399.2024.10.010

安徽医学
安徽省医学情报研究所

安徽医学

CSTPCD
影响因子：1.123
ISSN：1000-0399
年,卷(期)：2024.45(10)