一种用于预测机器人辅助输尿管重建术后肾功能恢复的诺模图：使用传统模型和机器学习模型的开发与对比验证

《Journal of Robotic Surgery》：A nomogram for predicting renal function recovery after robotic-assisted ureteral reconstruction: development and comparative validation using traditional and machine learning models

本研究旨在比较传统多变量逻辑回归模型与机器学习LASSO回归模型在预测单侧输尿管梗阻术后肾功能恢复中的效能，并构建临床实用 nomogram。通过回顾性分析100例患者的数据，发现多变量模型（含年龄、术前GFR、肾萎缩及SFU分级）在AUC（0.827）、校准曲线和决策曲线分析中表现优异，且具有更佳的临床实用性。尽管LASSO模型（变量数12）在AUC（0.841）和校正AUC（0.779 vs 0.776）上略优，但多变量模型因更简洁、可解释性强且临床效益接近而被选为 nomogram。

　　

摘要

目的

开发、验证并比较传统的多变量逻辑回归模型与基于机器学习的LASSO回归模型，以预测接受输尿管阻塞手术修复的成人患者的肾功能显著恢复情况，并将最实用的模型作为临床判别图呈现。

方法

我们回顾性分析了100名在我院接受单侧输尿管阻塞手术修复的成年患者的数据。主要终点是肾功能显著恢复，定义为同侧肾小球滤过率（GFR）增加≥15%。我们开发了两种预测模型：一种是使用向后逐步回归的简洁“多变量模型”，另一种是使用最小绝对值收缩和选择算子回归的“LASSO模型”。根据区分能力（曲线下面积 - AUC）、校准（校准曲线）和临床实用性（决策曲线分析 - DCA）严格比较了这两种模型的性能。使用500次自助法重采样进行了内部验证。

结果

多变量模型确定了四个独立预测因素：年龄（OR = 1.05，p = 0.042）、术前同侧GFR（OR = 1.20，p < 0.001）、肾萎缩（OR = 6.32，p = 0.028）以及SFU分级4级（与2级相比，OR = 23.8，p = 0.003）。LASSO模型选择了12个变量。LASSO模型在区分能力上略高（AUC：0.841 vs 0.827），并且在自助法验证中的乐观校正AUC也更好（0.779 vs 0.776）。决策曲线分析也显示LASSO模型的净收益略高。然而，更简单的4变量多变量模型具有出色的校准性能，其临床实用性与更复杂的模型非常接近。鉴于其在高性能和临床实用性方面的平衡优势，选择了多变量模型并将其作为判别图呈现。

结论

我们开发了一个稳健的4变量判别图来预测肾功能恢复情况。虽然更复杂的LASSO模型在统计上具有轻微优势，但我们的简单模型在准确性、可解释性和临床实用性方面取得了更好的平衡，使其成为患者咨询和手术决策的宝贵工具。