基于机器学习的结直肠腺瘤性息肉内镜下黏膜切除术后短期复发预测模型：开发与验证研究

本研究基于机器学习算法开发并验证了预测结直肠腺瘤性息肉内镜下黏膜切除术（EMR）后1年复发风险的模型。研究通过LASSO回归筛选特征变量，采用梯度提升机（GBM）等算法构建模型，在测试集、内部及外部验证集中均表现出优异且稳定的预测性能（AUC > 0.79）。该模型有助于临床医生制定个体化随访策略，优化医疗资源分配。

　　

Highlight

What is already known:

• •
  结直肠腺瘤是结直肠癌明确的癌前病变，EMR术后复发常见，复发率约为20%。
• •
  以往的预测模型主要基于传统统计方法构建，且往往缺乏外部验证或模型可解释性。
• •
  机器学习（ML）方法在肿瘤学和内镜研究中已显示出潜力，但很少应用于预测腺瘤的短期复发。

What this study added to our knowledge:

• •
  本研究开发并验证了首个专门针对EMR术后1年内腺瘤短期复发的ML预测模型。
• •
  梯度提升机（GBM）模型在内部和外部验证中均表现出强大且稳健的预测能力。
• •
  通过SHAP（SHapley Additive exPlanations）分析提供了模型决策的直观解释，增强了临床实用性。
• •
  该模型有助于识别高危患者，为制定个体化结肠镜随访间隔提供了有效工具。

Data availability statement

支持本研究结果的R代码和去标识化的原始数据，可在获得相应机构和伦理委员会批准后，向通讯作者合理索取。

CRediT authorship contribution statement

Yao Liu:文稿审阅与编辑 – 方法学 – 概念化。 Congcong Cheng:初稿撰写 – 数据整理。 Wenling Li:数据整理 – 概念化。 Jisheng Gu:数据整理。 Yiheng Shi:初稿撰写 – 形式分析。 Sujuan Fei:文稿审阅与编辑。

Ethics approval

本研究遵循《赫尔辛基宣言》原则，并获得了徐州医科大学附属医院伦理委员会的批准（批准号：XYFY2025-KL235）。

Funding

本研究未从公共、商业或非营利部门的资助机构获得任何特定拨款。

Declaration of competing interest

作者声明，不存在任何已知的竞争性经济利益或个人关系，可能影响本研究报告的工作。

Conclusion

本研究开发并验证了一个基于机器学习的模型，用于预测EMR术后腺瘤性息肉1年复发风险。该模型在内部和外部验证集中均表现出稳定的性能，并具有良好的校准度和临床实用性。它有助于进行风险分层、制定随访策略以及高效利用结肠镜检查资源。该工具可能有助于预防结直肠癌（CRC）并改善临床患者的长期结局。