基于多任务机器学习的急性上消化道出血输血决策支持：一种新型集成方法的临床验证

本研究针对急性上消化道出血（AUGIB）患者输血决策的临床难题，创新性地提出了一种集成多任务学习（MTL）的机器学习模型。通过联合优化分类（输血需求判断）和回归（输血类型与剂量预测）任务，该模型在内部验证中AUC达0.965，较传统Glasgow-Blatchford评分提升20.5%，并显著降低PRBC和FFP输注量预测误差。研究为精准输血策略提供了可解释的AI工具，对优化血液资源管理具有重要临床价值。

　　

急性上消化道出血（AUGIB）是全球消化系统最致命的急症之一，年发病率达84-160例/10万人，住院死亡率超过10%。对于合并肝硬化、慢性肾病等基础疾病的老年患者，30天再出血风险高达15%-20%。输血治疗虽是纠正失血性休克的核心手段，但不当输血会使院内感染风险增加1.8倍，多器官衰竭发生率显著升高。目前临床主要依赖血红蛋白（Hb）、国际标准化比值（INR）等实验室指标，结合Glasgow-Blatchford评分（GBS）指导输血，但其对血液成分种类和剂量的预测准确性不足，导致临床实践中过度输血与输血不足并存。

为突破这一瓶颈，Qiongjie Li¹、Guolin Chen²等研究者创新性地开发了多任务学习（Multi-Task Learning, MTL）框架。该研究发表在《Journal of Translational Medicine》，通过整合山西医科大学第一医院2022-2023年1256例AUGIB急诊患者数据，构建了包含分类（输血需求判断）和回归（PRBC、FFP、PLT、Cryo输注量预测）任务的联合模型。关键技术包括：采用SMOTE和分布校正处理数据不平衡；构建CatBoost与XGBoost的软投票集成分类器（HGBVE）；设计随机森林与XGBoost堆叠的两阶段回归器（TSR）；引入动态加权损失函数平衡任务优化。

模型构建

研究采用分层特征选择策略：分类任务通过L₁正则化逻辑回归筛选27个关键特征（如Hb、HCT等血流动力学指标），回归任务在分类阳性样本中通过多任务Lasso交叉验证提取21个共享特征（如INR、GLU等凝血相关指标）。这种"定性优先于定量"的层次化设计，完美复现了临床决策逻辑。

分类性能

在内部验证集中，HGBVE的AUC达0.965，准确率90.5%，精确度92.7%，显著优于传统GBS（AUC 0.801）和单模型（RF 0.956，XGBoost 0.957）。

显示所有机器学习模型均超越GBS，其中HGBVE表现最优。决策曲线分析证实其在各概率阈值下均具有显著净获益。

回归性能

TSR在PRBC预测中MSE 0.267，较最优基线模型（RF 0.379）降低29.6%；FFP预测MAE 0.281，较XGBoost降低50.1%。对低频输注成分（PLT、Cryo）的预测误差降幅超90%，证明跨任务特征共享对稀疏数据建模的优势。

展示了预处理与MTL架构的协同作用。

外部验证

在山西汾阳医院209例独立数据中，模型保持稳定性能（AUC 0.860），输血量预测误差与加权损失（4.206）仍显著低于传统方法，证实其跨中心适用性。

临床解释性

SHAP分析揭示Hb（重要性得分0.303）和HCT（0.171）是输血决策的核心因素。

展示了个体化分析案例，证实低Hb合并血管活性药物使用会显著增加输血风险。特征消融实验显示，去除Hb会导致AUC下降6.44%，远超其他特征影响。

该研究通过MTL框架实现了三大临床突破：①减少不当输血（精确度92.7%），降低感染风险；②优化资源分配，FFP预测误差降低50%，年节约血液制品可达14万单位；③适应异质环境，在不同肝硬化患病率（23.8% vs 31.9%）的医疗机构中保持稳定性能。尽管存在单中心回顾性数据的局限性，但研究为开展多中心前瞻性试验奠定了基础，推动AI辅助输血决策的标准化应用。