用于预测无类似病史患者在接受增强CT检查时发生碘对比剂相关急性不良反应的机器学习模型

《Current Medical Imaging》：Machine Learning Model to Predict Iodine Contrast Media-related Acute Adverse Reaction in Patients without a Similar History for Enhanced CT

本研究旨在开发并比较碘对比剂（ICM）相关急性不良反应（AAR）的风险预测模型，构建基于最佳模型的决策曲线表。回顾性纳入546例无ICM相关AAR病史患者，分为训练（234例）、测试（101例）和外部验证（211例）集。通过单因素逻辑回归和LASSO特征选择，对比Logistic回归、决策树、k近邻和支持向量机等四类机器学习模型，评估模型性能指标（AUC、准确率、F1分数）。结果显示，ICM暴露史、其他过敏史、高血压、对比剂类型、剂量、口服二甲双胍、高血糖及肾小球滤过率均为显著预测因子（p<0.05）。Logistic回归模型表现最优，测试集AUC为0.894，外部验证AUC为0.814，据此构建临床实用决策曲线表。

　　

摘要

引言：本研究旨在为无碘对比剂（ICM）相关急性不良反应（AAR）病史的患者开发和比较风险预测模型，并基于表现最佳的模型构建一个预测图表。

方法：回顾性地纳入了546名无ICM相关AAR病史、在接受CT增强扫描时使用了ICM的患者，将其分为训练组（n=234）、测试组（n=101）和外部验证组（n=211）。收集了患者的临床信息、用药情况以及环境因素。通过单变量逻辑分析、最小绝对收缩法（LARS）和选择算法（SA）筛选出相关特征，并利用四种机器学习（ML）模型（包括逻辑回归（LR）、决策树、k-最近邻和线性支持向量分类）构建ICM相关AAR的风险预测模型。这些模型的性能通过AUC、准确率和F1分数进行评估。最终基于表现最佳的模型构建了预测图表。

结果：ICM使用史、其他因素引起的过敏反应史、高血压、ICM类型、ICM剂量、口服二甲双胍使用情况、高血糖以及肾小球滤过率被选为建模变量（所有p < 0.05）。逻辑回归模型表现最佳，其在测试集和外部验证集的AUC分别为0.894和0.814，该模型被用于构建临床适用的预测图表。

讨论：基于逻辑回归的模型能够利用现有的临床变量有效预测ICM相关AAR的风险，为在ICM使用前识别高风险患者提供了实用的工具，从而有助于采取预防措施。

结论：逻辑回归模型能够很好地预测无ICM相关AAR病史患者发生ICM相关AAR的风险，相应的预测图表也已制定完成。