编辑推荐：
为解决巴雷特食管（BE）患者发育异常或恶变预测难题，研究人员分析 598 例患者数据评估 6 种机器学习（ML）模型。结果发现决策树（DT）模型仅用食管段长度预测效果最佳，并给出风险分层阈值，为 BE 监测提供实用工具。
研究人员分析了 1990 年 11 月至 2019 年 1 月在迈克尔?德巴基退伍军人事务医疗中心新诊断为非发育异常巴雷特食管（NDBE）、发育异常不确定的巴雷特食管（BE-IND）和伴有非持续性低级别发育异常（LGD）的巴雷特食管患者的数据，随访至 2024 年 1 月。进展者是指在首次内镜检查后 5 年内出现持续性 LGD、高级别发育异常（HGD）或食管腺癌（EAC）的患者。研究评估了 6 种模型，包括回归和基于集成的 ML 方法。
在 598 例符合条件的患者中，61 例（10.2%）出现疾病进展。未经调整的分析显示，更长的食管段和不确定 / 非持续性 LGD 病理与更高的进展风险相关。多变量分析表明，BE 食管段长度每增加 1cm，进展风险比（OR）为 1.26（95% 置信区间 1.17 - 1.36）。仅使用食管段长度的决策树（DT）模型具有最高的区分度（受试者工作特征曲线下面积 AUROC = 0.79）和出色的灵敏度（93.3%）。DT 模型还确定了风险分层的食管段长度阈值：<0.95cm（极低风险）、0.95 - 2.44cm（低风险）、2.44 - 9.45cm（中等风险）、>9.45cm（高风险） 。
研究得出结论，以食管段长度为唯一预测指标的简单可解释 DT 模型，在预测 BE 进展方面优于回归和复杂的基于 ML 的模型。该研究结果与欧洲胃肠内镜学会（ESGE）基于食管段长度进行定制监测的指南一致，并提供了可操作的阈值，为 BE 监测提供了一种实用的 ML 工具。
