10.3760/cma.j.cn121430-20221019-00930
基于XGBoost算法的机器学习模型在早期预测重症急性胰腺炎中的应用
目的:基于极端梯度提升（XGBoost）算法建立重症急性胰腺炎（SAP）早期预测机器学习模型，并探讨其预测效能。方法:采用回顾性队列研究方法，选择2020年1月1日至2021年12月31日苏州大学附属第一医院、苏州大学附属第二医院及苏州大学附属常熟医院收治的急性胰腺炎（AP）患者，根据病历系统与影像系统收集患者的人口学信息、病因、既往史及入院48 h内临床指标和影像学资料，并计算改良CT严重指数评分（MCTSI）、Ranson评分、急性胰腺炎严重程度床旁指数（BISAP）及急性胰腺炎风险评分（SABP）。将苏州大学附属第一医院及苏州大学附属常熟医院的数据集按照8 : 2随机分为训练集和验证集，基于XGBoost算法，在采用五折交叉验证、损失函数进行超参数调整的基础上构建SAP预测模型。将苏州大学附属第二医院的数据集作为独立的测试集，通过受试者工作特征曲线（ROC曲线）评价XGBoost模型的预测效能，并与传统AP相关病情严重程度评分进行比较；同时对特征变量进行重要性排序，采用沙普利加和解释法（SHAP）对模型进行可视化解释。结果:最终共纳入1?183例AP患者，其中129例（10.9%）发生SAP。苏州大学附属第一医院和苏州大学附属常熟医院患者中，训练集786例，验证集197例；苏州大学附属第二医院的200例患者作为测试集。3组数据集分析均显示，进展为SAP的患者存在呼吸功能异常、凝血功能异常、肝肾功能异常、血脂代谢异常等病理表现。基于XGBoost算法构建SAP预测模型；ROC曲线分析显示，该模型预测SAP的准确度达到0.830，ROC曲线下面积（AUC）为0.927，较MCTSI、Ranson、BISAP、SABP等传统评分系统明显提高（准确度分别为0.610、0.690、0.763、0.625，AUC分别为0.689、0.631、0.875、0.770）。基于XGBoost模型的特征变量重要性分析显示，模型中权重排名前10位的指标依次为胸腔积液（0.119）、白蛋白（Alb，0.049）、三酰甘油（TG，0.036）、Ca
2+（0.034）、凝血酶原时间（PT，0.031）、全身炎症反应综合征（SIRS，0.031）、C-反应蛋白（CRP，0.031）、血小板计数（PLT，0.030）、乳酸脱氢酶（LDH，0.029）和碱性磷酸酶（ALP，0.028），说明上述指标对于XGBoost模型预测SAP具有重要意义。基于XGBoost模型的SHAP贡献度分析显示，当患者出现胸腔积液及Alb降低时，SAP发生风险明显增加。
结论:基于机器学习XGBoost算法建立了SAP预测模型，该模型可在入院48 h内对AP患者进展为重症的风险进行预测，且具有良好的准确性。
极端梯度提升算法、机器学习、重症急性胰腺炎、预测模型
35
国家自然科学基金82000540;江苏省苏州市科技计划项目SKY2021038;江苏省苏州市"科教兴卫"青年科技项目KJXW2019001;National Natural Science Foundation of China82000540;Suzhou Science and Technology Planning Project of Jiangsu ProvinceSKY2021038;Youth Science and Technology Project of "Revitalizing Health through Science and Education" in Suzhou City, Jiangsu ProvinceKJXW2019001
2023-07-11（万方平台首次上网日期，不代表论文的发表时间）
共6页
421-426
