摘要
回顾性纳入2020年1月至2022年12月在山西医科大学第一医院住院的444例肝硬化患者,按照7:3的比例将患者随机拆分为训练集(319例)和内部验证集(125例).另回顾性收集2019年1至12月在该院住院的67例肝硬化患者作为外部验证集.应用最小绝对值收缩与选择算子(LASSO)回归筛选出最佳预测值,并将其作为自变量,以是否出血作为因变量,分别基于logistic回归、决策树、随机森林、支持向量机和神经网络算法构建预测模型,绘制受试者操作特征曲线(ROC)评估各模型的区分度,并通过内部验证集和外部验证集分别对以上模型的预测能力进行内部验证和外部验证.结果显示,LASSO回归最终筛选出9个预测值,分别为血红蛋白、中性粒细胞占比、γ-谷氨酰转肽酶、血糖、总胆固醇、血清钙、门静脉内径、呕吐、Child-Pugh分级.基于这些指标分别构建logistic回归模型、决策树模型、随机森林模型、支持向量机模型和神经网络模型,内部验证结果显示以上各模型的ROC曲线下面积(95％置信区间)分别为 0.945(0.908～0.982)、0.903(0.850～0.955)、0.946(0.910～0.982)、0.931(0.887～0.976)、0.809(0.735～0.883),外部验证结果显示以上各模型的ROC曲线下面积(95％置信区间)分别为0.953(0.895～1.000)、0.852(0.758～0.946)、0.932(0.859～1.000)、0.973(0.959～0.988)、0.819(0.685～0.953).各模型校准曲线的预测风险值与实际值具有良好的一致性.决策曲线结果提示各模型均能使患者的净获益增加.可见,机器学习所建立的模型对预测肝硬化食管胃静脉曲张出血风险可能有一定价值,其中支持向量机模型表现最佳,有助于肝硬化患者的预测评估和临床决策的制定.
基金项目
北京肝胆相照基金会人工肝专项(2022)(iG)
北京肝胆相照基金会人工肝专项(2022)(anF-1082022-RGG005)
NETL
NSTL
万方数据