基于机器学习模型的全球肝硬化患者住院死亡率预测研究及外部验证

本研究针对肝硬化患者住院死亡率预测存在全球差异的问题，通过机器学习方法分析全球前瞻性CLEARED队列数据。结果显示随机森林模型(RF)的预测效能(AUC 0.815)显著优于传统逻辑回归，且在不同收入水平国家均保持优势，外部验证AUC达0.859。该研究为肝硬化临床决策提供了更精准的工具。

　　

肝硬化作为全球重大疾病负担，住院患者死亡率居高不下，但传统预后工具如MELD-Na评分受医疗资源差异影响较大。目前缺乏能适应不同经济水平国家需求的精准预测模型，这直接影响了临床干预的及时性。针对这一难题，研究人员开展了一项突破性研究。

该研究采用多中心前瞻性设计，纳入全球115个医疗中心的7,239例肝硬化住院患者构成CLEARED队列，按世界银行收入标准分为低中收入(L-LMIC)、中高收入(UMIC)和高收入(HIC)三组。关键技术包括：1) 使用入院首日临床数据构建预测模型；2) 比较随机森林(RF)、LASSO和逻辑回归三种算法；3) 在28,670例美国退伍军人数据中进行外部验证。研究论文发表于消化病学顶级期刊《Gastroenterology》。

【Abstract】部分显示，队列患者平均年龄56±13岁，男性占64%，中位MELD-Na(终末期肝病模型-钠)评分为25，总住院死亡率达11.1%。机器学习分析发现：

【Background and aims】指出传统预测方法存在明显局限性。通过全球多中心设计，研究首次系统评估了机器学习在不同经济水平地区的适用性。

【Results】部分关键发现：RF模型在整体队列中AUC(曲线下面积)达0.815，显著优于逻辑回归(0.774)和LASSO(0.787)。值得注意的是，RF在不同收入组均保持优势：HIC组0.806、UMIC组0.867、L-LMIC组0.768。外部验证中，尽管退伍军人队列MELD-Na较低(中位数15)，RF模型仍展现出色预测力(AUC 0.859)。

结论部分强调，这是首个在全球范围内验证的肝硬化死亡率机器学习预测模型。RF算法不仅克服了传统参数模型的局限性，其跨经济梯度的稳定性更具临床推广价值。研究为资源受限地区提供了可靠的决策工具，对实现全球肝病管理公平性具有重要意义。模型采用的入院首日参数易于获取，便于临床转化应用。未来可进一步整合实时监测数据优化预测精度。