一种可用于预测CT成像中静脉造影剂外渗风险的透明机器学习模型的开发与验证

《European Journal of Medical Research》：Development and validation of an interpretable machine learning model for predicting intravenous contrast media extravasation risk in CT imaging

　　

摘要

研究目的

静脉注射造影剂外渗是增强型计算机断层扫描过程中常见且可能较为严重的并发症。尽管在放射学实践中预防造影剂外渗至关重要，但目前有效且具有临床实用价值的预测模型仍然有限。本研究旨在构建并验证一种可解释的机器学习模型，用于预测接受增强型计算机断层扫描患者的造影剂外渗风险。

研究对象与方法

这项多中心回顾性病例对照研究分析了来自三家机构的500名患者（252例造影剂外渗病例，248例对照组）。预测因素包括患者人口统计学特征、临床病史、检查流程细节、静脉通路状况以及昼夜温差。从最初的22个候选因素中，通过最小绝对值收缩和选择运算子回归方法筛选出14个关键特征。随后使用五种机器学习模型——逻辑回归、支持向量机、随机森林、XGBoost和K近邻算法——在独立测试集上对这些特征进行建模与评估。最优模型的选择依据是其区分能力、校准性能以及临床实用性，其预测结果则通过SHapley加性解释方法进行说明。

研究结果

在五种模型中，逻辑回归在测试集上的表现最为出色且具备最强的泛化能力，其受试者工作特征曲线下面积为0.82（95%置信区间为0.72至0.89），灵敏度为78%，精确度为75%，F1值为0.76。该模型的校准性能也很优异（Hosmer–Lemeshow检验p值=0.067）。其他模型的测试集AUC值分别为：支持向量机为0.81（95%置信区间为0.71至0.89），随机森林为0.80（95%置信区间为0.71至0.88），XGBoost为0.79（95%置信区间为0.68至0.87），K近邻算法为0.74（95%置信区间为0.64至0.83）。决策曲线分析表明，逻辑回归模型在多种阈值概率水平下都具有临床应用价值，其中临床最优阈值为0.25。SHAP分析显示，针头规格（18G，防护型）、静脉质量差（风险因素）以及针头类型（Y型，风险因素）是影响造影剂外渗风险的最主要因素。此外，昼夜温差也被确认为一个新的独立环境风险因素。

研究结论

所构建的逻辑回归模型能够有效预测造影剂外渗的发生，其经过验证的AUC值为0.82，显示出良好的区分能力。该模型是一种实用且易于理解的工具，可用于风险分层，同时明确了若干可调整的因素（如针头选择和静脉状况评估）以及一个新的环境影响因素（昼夜温差），这些信息有助于制定针对性的预防措施，从而提升患者在接受增强型计算机断层扫描时的安全水平。

临床试验编号：

不适用。