基于机器学习的尿路结石成分术前预测模型构建与验证

来自郑州大学第二附属医院泌尿外科的研究人员针对尿路结石成分术前难以获取的临床难题，开发了基于多算法整合的机器学习预测模型。该研究通过LASSO回归联合多因素Logistic回归筛选特征，构建了四种结石类型的分类模型（钙草酸结石AUC=0.845、感染性结石AUC=0.864、尿酸结石AUC=0.961、含钙结石AUC=0.953），创新性融合CT影像特征与24小时尿代谢指标，为个性化手术方案制定提供了重要决策工具。

　　

尿路结石成分分析是制定个体化手术方案的关键依据，但传统方法难以在术前获取相关数据。这项研究巧妙运用机器学习技术，对2019-2024年间郑州大学第二附属医院收治的708例结石患者展开回顾性分析。研究团队采用最小绝对值收缩选择算子(LASSO)回归结合多因素Logistic回归进行特征筛选，构建了针对四种结石类型的二元预测模型。

在钙草酸结石预测中，Logistic回归模型表现最佳(曲线下面积AUC=0.845)，SHAP值分析显示最大结石CT值、24小时尿草酸盐排泄量和结石体积是最具预测价值的三大特征。对于感染性结石，Logistic回归(AUC=0.864)突出显示了结石体积、尿液pH值和复发史的关键作用。在尿酸结石预测方面，LASSO-ridge-elastic net组合模型展现出惊人准确度(AUC=0.961)，其预测效能主要来源于最大CT值、24小时尿草酸盐和尿钙水平。而含钙结石的预测则再次印证了Logistic回归的优势(AUC=0.953)，CT值、24小时尿钙和结石体积构成了核心预测指标。

该研究开创性地将影像学特征与代谢指标相结合，通过多算法集成策略构建的预测模型，实现了尿路结石成分的精准术前判别。这种创新方法不仅为临床决策提供了可靠工具，更展现了多模态数据融合在医学人工智能领域的巨大潜力。