用于预测恶性梗阻性黄疸患者经皮肝穿刺胆道引流效果的人工学习模型：一项回顾性队列研究

《Abdominal Radiology》：Machine Learning Models for Predicting Response to Percutaneous Transhepatic Biliary Drainage in Malignant Obstructive Jaundice: A Retrospective Cohort Study

　　

摘要

背景与目的

经皮肝穿刺胆道引流（PTBD）是恶性梗阻性黄疸的标准姑息治疗手段，但仍有60–75%的患者未能获得具有临床意义的生化指标改善。术前识别出可能对治疗产生反应的患者对于患者选择和共同决策具有重要意义。我们开发并验证了机器学习（ML）模型，利用术前临床和实验室数据来预测患者对PTBD的治疗反应。

方法

我们对243名在三级医疗机构接受PTBD治疗的恶性梗阻性黄疸患者进行了回顾性分析。治疗反应定义为术后两周内血清总胆红素水平降低≥50%。研究评估了26个术前特征，包括人口统计学信息、肝脏生化指标、肾功能、血液学指标以及临床严重程度评分。为了克服类别不平衡问题，我们使用了五种机器学习算法（逻辑回归、梯度提升、XGBoost、LightGBM和堆叠集成模型），并结合了合成少数采样（SMOTE）技术进行训练。通过分层5折交叉验证和保留的测试集（20%）来评估模型性能。

结果

在243名患者中，有63名（25.9%）达到了治疗反应。表现最佳的模型（采用L1正则化的逻辑回归和SMOTE技术的模型）在保留的测试集上的接收者操作特征曲线下面积（AUC）为0.714（95%置信区间0.529–0.870），灵敏度为76.9%，特异性为61.1%。基于树的模型在合成样本上出现了严重的交叉验证过拟合现象（CV AUC 0.83–0.92），导致在真实测试集上的性能显著下降（AUC 0.58–0.70），这种现象可能是由于SMOTE技术在小型不平衡数据集中导致的分布偏移。逻辑回归模型与基于树的模型在AUC上没有统计学上的显著差异。校准评估显示这些模型的预测结果过于自信（Brier分数0.24，校准斜率0.46）。SHAP分析表明，凝血酶原时间指数、腹水、肌酐、癌症类型和胆管炎严重程度是最具影响力的预测因素。

结论

基于机器学习的术前PTBD反应预测是可行的，尽管其AUC值较低。在这個小型且类别不平衡的数据集中，逻辑回归模型的泛化能力相对较好。在实际临床应用之前，需要通过更大规模的前瞻性队列进行外部验证。