基于梯度提升机的机器学习模型预测自身免疫性肝炎住院患者早期治疗失败风险的双队列开发与验证研究

《BMC Medical Informatics and Decision Making》：A machine learning model for early warning of treatment failure in autoimmune hepatitis: a 10-year real-world study

　　

摘要

背景与目的

自身免疫性肝炎（AIH）若未能及时缓解，可迅速进展为终末期肝病。患者间异质性及严重临床表现常使标准免疫抑制治疗难以实施，即使采用标准治疗，住院患者早期临床恶化风险仍显著增加。本研究开发并独立验证了一种机器学习模型，用于预测入院时的治疗失败风险。

方法

本研究开展了一项双队列研究，包括回顾性发现队列（n=314，2017–2025年）和连续时间验证队列（n=66，2025–2026年）。经集成法特征选择后，对13种机器学习算法进行了评估。使用SHAP（SHapley Additive exPlanations）方法对最优模型进行解释，并与传统的终末期肝病模型（MELD）评分和Child-Pugh评分进行对比。

结果

共识别出7个预测因子：丙氨酸氨基转移酶（ALT）、总胆汁酸（TBA）、Child-Pugh评分、免疫球蛋白M（IgM）、总胆红素（TBil）、碱性磷酸酶（ALP）和γ-谷氨酰转移酶（GGT）。梯度提升机（GBM）模型表现出优异的区分能力（AUC=0.762），显著优于MELD评分（AUC=0.555）和Child-Pugh评分（AUC=0.611），且具有满意的校准度和临床实用性。在时间验证队列中，预测效能得到保持（AUC=0.755）。SHAP分析揭示了双重生物学权衡关系：显著的炎症活动（ALT升高）与治疗失败风险呈负相关，而严重胆汁淤积和肝功能储备受损则导致不良结局。

结论

该无创GBM模型量化了活动性炎症、胆汁淤积严重程度与肝功能储备耗竭之间复杂的临床相互作用。克服了静态评分系统的局限性，为异质性AIH患者在首次入院时的个体化风险分层和前瞻性治疗决策提供了可靠、可操作的工具。