机器学习技术在肝性脑病诊疗中的应用：范围综述与未来展望

为解决肝性脑病(HE)早期诊断和预后评估的临床挑战，研究人员系统综述了231篇文献，最终纳入20项研究，揭示了人工智能(AI)尤其是机器学习(ML)在HE预测模型(14项)、分期分类(5项)和生存分析(1项)中的应用价值。支持向量机(SVM)和随机森林(RF)算法表现突出，准确率最高达96.7%，为开发新型智能诊疗工具提供了循证依据。

　　

肝性脑病(HE)作为肝硬化最严重的神经系统并发症，其诊断和治疗始终面临重大挑战。从轻微认知障碍到昏迷的广谱症状，使得早期识别尤为困难。尤其令人担忧的是，80%肝硬化患者存在轻微肝性脑病(MHE)，但常规临床检查难以发现，导致患者生存率急剧下降——未经肝移植者1年生存率仅42%。更棘手的是，当前诊断方法存在主观性强、灵敏度不足等问题，迫切需要开发客观精准的新型技术。

《BMC Medical Informatics and Decision Making》最新发表的范围综述，首次系统评估了人工智能在这一领域的研究进展。研究团队采用Arksey和O'Malley方法论框架，检索PubMed等5大数据库的231篇文献，最终纳入20项关键研究。通过PRISMA-ScR标准报告，重点分析了算法类型、数据来源和临床应用三大维度。

关键技术方法包括：1)基于脑电图(EEG)的人工神经网络(ANN)与专家系统组合算法；2)磁共振成像(MRI)特征提取结合支持向量机(SVM)分类；3)临床实验室数据驱动的随机森林(RF)预测模型；4)视频眼动追踪技术的机器学习分析。研究队列涵盖中国(11项)、欧美等多中心数据，样本量从35例至1256例不等。

【AI算法演变轨迹】

早期研究(2005-2017)主要采用ANN与专家系统混合架构，对EEG信号进行五阶段分类。2015年后转向MRI影像分析，SVM和贝叶斯算法(GAMMA)成为主流，在区分MHE患者时准确率达83%-89%。2020年后技术呈现爆发式创新：视频-眼动描记技术结合SVM实现96.7%超高准确率；甲状腺激素水平预测模型(AUC 0.75)和肠道菌群分析模型(AUC 0.73)拓展了生物标志物维度。

【数据类型的创新应用】

MRI影像组学表现尤为亮眼：基于白质连接的贝叶斯算法实现79.1%准确率；动态功能连接特征使SVM分类性能提升至96%。临床数据建模方面，加权随机森林(weighted RF)处理不平衡数据效果显著，外部验证准确率91.39%。生存预测领域，ANN模型对28天死亡率的预测AUC达0.837，显著优于梯度提升机(GBM)等算法。

【研究结论与展望】

该综述揭示三大核心发现：1)SVM在影像分类中保持优势，而ANN在生存预测表现最佳；2)MRI和视频眼动等新型数据源可突破传统诊断瓶颈；3)当前研究普遍存在样本量小(65%研究<200例)、缺乏外部验证等局限。未来应重点发展可解释AI(XAI)技术，推动算法在真实临床场景的应用验证。

这项研究的重要意义在于：首次绘制了AI技术在HE领域的知识图谱，为后续研究指明方向。特别是提出的"多模态数据融合"思路——整合影像组学、微生物组和临床指标，有望构建下一代智能诊断系统。随着CatBoost等新算法的引入，未来可能在HE早期预警和个性化治疗方面取得突破性进展。