针对因急性腹痛到急诊科就诊的成人肠坏死患者，基于机器学习的预测模型的建立与验证：一项多中心回顾性队列研究

《BMC Medical Informatics and Decision Making》：Development and validation of machine learning-based prediction models for adult bowel necrosis for patients presenting with acute abdominal pain at the emergency department: a multicenter retrospective cohort study

　　

摘要

背景

肠坏死是一种危及生命的疾病，需要立即进行外科干预。由于临床表现缺乏特异性，早期识别十分困难。本研究旨在构建并验证用于预测成人患者肠坏死的机器学习模型。

方法

我们开展了一项多中心回顾性队列研究，纳入了2021年1月至2023年12月间因急性腹痛就诊的成年患者（≥18岁）。数据来源于电子健康记录，包括人口统计学信息、临床症状、实验室指标以及影像学检查结果。共开发了六种机器学习算法并进行比较：逻辑回归、随机森林、支持向量机、梯度提升机、极端梯度提升法和人工神经网络。模型性能通过接收者操作特征曲线下面积、敏感性、特异性以及校准指标来评估。

结果

共有8,247名患者被纳入研究，其中623人（7.6%）被诊断出患有肠坏死。在验证组中，XGBoost模型的表现最为优异，其AUC值为0.912（95%置信区间：0.887–0.936），敏感性为87.3%，特异性为84.7%。关键的预测因素包括乳酸水平（重要性得分：0.185）、白细胞计数（0.142）、腹部CT检查结果（0.138）、年龄（0.108）以及C反应蛋白（0.095）。该模型具有良好的校准性（Hosmer–Lemeshow p值=0.324），并且在10%的风险阈值下具有0.142的临床效益。

结论

基于机器学习的预测模型在识别肠坏死高风险患者方面表现出良好的区分能力。将该模型作为临床决策辅助工具，有助于实现早期分诊，减少诊断延迟，从而通过及时进行外科干预改善患者预后。在广泛应用于临床之前，还需进行前瞻性外部验证。