基于LightGBM算法的下盏肾结石术后无石率预测模型构建与多中心验证

本刊推荐：针对下盏肾结石（LPS）因解剖特征复杂导致逆行肾内手术（RIRS）后无石率（SFR）不佳的临床难题，高雄医学大学与首尔大学医院联合开发LightGBM机器学习模型。研究整合结石负荷、亨氏单位（HU）、肾盂下盏角（PSA）等关键特征，外部验证准确率达77.1%，首次证实PSA可替代传统肾盂漏斗角（IPA）评估解剖难度，为个性化手术规划提供AI决策工具。

　　

下盏肾结石占肾结石总数的25%-35%，其独特的解剖特征如锐角肾盂漏斗角（IPA）、狭长肾漏斗等，使逆行肾内手术（RIRS）后的无石率（SFR）长期低于其他部位结石。尽管激光技术和腔内器械不断进步，但结石残留问题仍困扰临床医生——传统评分系统（如RUSS）依赖有限参数，难以精准量化解剖复杂性对手术结局的影响。

为破解这一难题，高雄医学大学医院（Kaohsiung Medical University Hospital）联合首尔大学医院（Seoul National University Hospital）的研究团队开展多中心研究，利用机器学习技术开发术前预测模型。研究回顾性分析327例LPS患者数据，涵盖结石负荷（累计结石直径）、CT值（HU）、肾盂下盏角（PSA）、肾漏斗长度（RIL）等11项特征，首次提出以PSA替代传统IPA测量。通过LightGBM算法构建预测模型，外部验证准确率达77.1%，AUC值0.759。相关成果发表于《World Journal of Urology》，为个体化手术方案制定提供新工具。

关键技术方法

1. 多中心队列设计：整合高雄医学大学医院（KMUH，193例）与首尔大学医院（SNUH，134例）的临床数据，排除罕见解剖变异病例。

2. 解剖参数标准化测量：基于术前CT定量化PSA、RIL、肾漏斗宽度（IW），结石负荷以累计直径（CSD）计算。

3. LightGBM模型优化：采用10折交叉验证与随机网格搜索调参，以准确率、F1值（0.853）为核心指标筛选最优算法。

4. SHAP可解释性分析：解析特征贡献度，验证PSA的解剖预测价值。

研究结果

模型性能验证

LightGBM在外部验证集（SNUH）表现最优：准确率77.1%，AUC 0.759，F1值0.853（表2）。显著优于随机森林（准确率69.7%）和逻辑回归（67.3%），证实其处理异构临床数据的优势。

关键预测因子识别

SHAP分析揭示四大核心特征（图3）：

1. 结石负荷（SHAP均值±0.38）：≥1.82 cm患者无石概率显著降低（OR=0.32, p<0.01）

2. CT值（HU, SHAP均值±0.29）：>980 HU的高密度结石与残留风险正相关

3. PSA角度（SHAP均值+0.24）：>45°时每增加10°提升无石率15%（替代IPA的解剖指标）

4. RIL长度（SHAP均值-0.21）：≥24.5 mm延长碎片清除路径

   

解剖参数革新

PSA（肾盂下盏角）取代传统IPA成为最强解剖预测因子（增益重要性排名首位，图2b）。在匹配结石负荷条件下，PSA≤35°患者无石率仅41.7%，而PSA≥55°者达82.4%（p=0.002），证实其评估下盏可及性的临床价值。

结论与展望

本研究首次将LightGBM机器学习框架应用于LPS的RIRS预后预测，证实：

1. 结石负荷>1.8 cm、HU>800、RIL>24 mm及PSA<35°构成高风险组合，建议转为经皮肾镜取石术（PCNL）

2. PSA作为新型解剖标志物，可规避传统IPA测量误差，指导术式选择

3. 模型整合多中心数据，外部验证性能稳定，具备临床转化潜力

未来需前瞻性验证模型在混合器械（如负压鞘）场景的泛化能力，并探索三维重建参数优化解剖评估。该AI工具将推动下盏结石诊疗向精准决策迈进——当医生输入患者CT参数时，系统自动生成个性化手术方案，终结反复手术的困境。