解放军医学杂志

作者：谈军涛,许晓梅,何雨芯,谭超,龚军,刘蕴宇,向守书,赵文龙,

单位：1重庆医科大学医学信息学院，重庆 400016 2成都市第五人民医院消化内科，成都 611130 3重庆医科大学公共卫生与管理学院，重庆 400016

关键词：肝硬化,肝性脑病,机器学习,预测模型

基金：Project of Smart Medicine of Chongqing Medical University(ZHYX2019001)；重庆医科大学智慧医学项目(ZHYX2019001)

目的 构建基于机器学习算法的肝硬化相关肝性脑病预测模型。方法 采用横断面研究方法，收集2019年6月—2020年6月于重庆市7家医疗机构就诊的1498例肝硬化患者的病例资料，依据是否发生肝性脑病分为肝性脑病组(n=285)与非肝性脑病组(n=1213)。随机抽取70%(1048例)患者的病例资料作为训练集构建预测模型，其余30%(450例)作为测试集进行内部验证。采用单因素logistic回归筛选输入指标，应用基于机器学习的logistic回归、随机森林、决策树和XGBoost算法构建预测模型，比较4种方法构建的模型对肝硬化相关肝性脑病的诊断价值。结果 Logistic回归、随机森林、决策树和XGBoost模型均提示，凝血酶原活动度(OR=0.933，95%CI 0.921~0.946)、年龄(OR=1.045，95%CI 1.029~1.061)、全血钠(OR=0.964，95%CI 0.928~1.000)及尿素氮(OR=1.063，95%CI 1.022~1.105)是肝硬化相关肝性脑病的重要影响因素。Logistic回归、随机森林、决策树和XGBoost模型诊断肝硬化相关肝性脑病的灵敏度分别为0.843、0.904、0.759、0.892，特异度分别为0.785、0.695、0.717、0.706，AUC分别为0.875、0.883、0.767、0.847。结论 基于机器学习算法建立的肝硬化相关肝性脑病风险预测模型具有较高的诊断价值，其中logistic回归模型和随机森林模型的诊断效能优于决策树模型和XGBoost模型。

来源：2021年第4期

《解放军医学》期刊编辑部

查看解放军医学杂志2021年第4期