基于机器学习的CAGIB评分系统：肝硬化急性消化道出血患者院内死亡风险预测的新突破

本研究针对肝硬化合并急性消化道出血(AGIB)这一高致死并发症，开发并验证了基于机器学习(ML)的CAGIB评分系统。通过国际多中心前瞻性研究纳入2467例患者，证实最小二乘支持向量机回归(LS-SVMR)模型预测性能最优(AUC=0.986)，可将患者精准分层为低(死亡率0.38%)、中(2.22%)、高(64.37%)风险组。该研究为临床决策提供了更精准的风险评估工具，显著优于传统评分系统。

　　

肝硬化患者一旦发生急性消化道出血(AGIB)，死亡率可高达30%，尤其Child-Pugh C级患者更是高危群体。尽管现有Child-Pugh、MELD-Na等评分系统能评估预后，但其预测精度有限，临床亟需更精准的风险分层工具。中国人民解放军北部战区总医院肝硬化研究组联合全球23个医疗中心，在《npj Digital Medicine》发表了一项突破性研究，通过机器学习算法优化了CAGIB评分系统，实现了对AGIB患者死亡风险的"毫米级"预测。

研究团队采用前瞻性多中心队列设计，纳入2467例肝硬化合并AGIB患者，随机分为训练集和验证集。关键技术包括：1) 基于CAGIB评分六大组分(糖尿病、肝癌、总胆红素等)构建六种机器学习模型；2) 采用灰色区域分析法确定风险截断值；3) 通过决策曲线分析(DCA)验证临床实用性。

患者特征

队列中50.9%为乙肝肝硬化，22%合并肝癌，5.6%发生院内死亡。训练组与验证组基线特征均衡，仅男性比例(70% vs 65.7%)和MELD-Na评分(14.29 vs 13.89)存在微小差异。

CAGIB评分验证

在训练组中，原始CAGIB评分的AUC为0.789，与Child-Pugh(0.804)、MELD 3.0(0.822)等传统评分相当(P>0.05)。亚组分析显示，无论是否接受内镜治疗或单纯药物治疗，CAGIB评分均保持稳定预测性能。

机器学习模型优化

LS-SVMR模型展现出惊人预测力：

• 总体AUC达0.986，显著优于人工神经网络(ANN)等模型(P<0.001)

• 通过0.084和0.160两个截断值将患者分为三层风险：

  

  低危组死亡率仅0.38%，而高危组骤升至64.37%

• 内镜治疗亚组中，模型AUC仍达0.983，仅0.28%病例落入灰色区域

临床转化价值

决策曲线显示LS-SVMR模型在所有阈值概率下均具净收益。校准曲线证实其预测值与实际死亡率高度吻合。各组分贡献度分析显示，血清肌酐(Scr)和总胆红素(TBIL)是影响预测的最关键变量。

这项研究创造了肝硬化预后评估的新范式：

1. 技术革新：首次将LS-SVMR算法应用于AGIB预后预测，AUC接近完美(0.986)

2. 临床实用：明确的三层风险划分，使临床医生能快速识别需ICU监护的高危患者

3. 国际适用：涵盖亚欧美多族裔数据，模型在验证组保持同等效力

4. 治疗指导：为内镜治疗时机选择提供量化依据，有望减少不必要的侵入性操作

正如研究者Zhaohui Bai等强调，该模型特别适用于医疗资源受限地区，通过简单实验室指标即可实现精准预测。未来需进一步验证其对长期预后(如再出血率)的预测价值，并探索与人工智能辅助决策系统的整合应用。