《Frontiers in Physiology》：Explainable random forest–SHAP framework for Montreal phenotype–stratified prediction of one-year complications in Crohn’s disease
编辑推荐：
背景：在克罗恩病（Crohn’s disease, CD）中，早期识别表型分层的短期并发症风险仍然是一个关键且未满足的临床需求。现有模型往往聚焦于单一结局，且缺乏可解释性，从而限制了临床应用。研究人员开发了一种临床可解释的机器学习（machine learni
背景：在克罗恩病（Crohn’s disease, CD）中，早期识别表型分层的短期并发症风险仍然是一个关键且未满足的临床需求。现有模型往往聚焦于单一结局，且缺乏可解释性，从而限制了临床应用。研究人员开发了一种临床可解释的机器学习（machine learning, ML）框架，用于实现基于蒙特利尔表型（Montreal phenotype）分层的三种一年并发症类别预测：肠切除（Task 1）、肛周并发症（Task 2）和腹部并发症（Task 3）。
方法：来自两个临床中心的370例患者数据被合并用于模型开发，并采用分层10折交叉验证进行评估。在每一折中，数据预处理、LASSO特征选择、SMOTE-Tomek重采样、模型优化、校准和阈值确定均被限制在训练数据内完成。研究人员比较了七种机器学习算法的判别能力和校准性能，并使用决策曲线分析（decision-curve analysis, DCA）探索潜在净获益。采用SHapley加法解释（SHapley Additive exPlanations, SHAP）进行模型解释，并生成了列线图、热力图和基于网页的计算器，作为模型衍生风险估计的探索性可视化，而非临床决策支持工具。在蒙特利尔框架内进一步分析了CDAI与并发症风险之间的表型分层及非线性关联。
结果：出院后一年内，肠切除、肛周并发症和腹部并发症分别发生在70例（18.9%）、142例（38.4%）和84例（22.7%）患者中。随机森林（Random Forest, RF）表现出最一致的整体性能，对肠切除的AUROC为0.86（95% CI，0.82–0.90），对肛周并发症为0.71（95% CI，0.64–0.78），对腹部并发症为0.73（95% CI，0.69–0.78）。SHAP分析识别出不同结局的特异性预测因子：肠切除为疾病行为、营养支持治疗（nutritional support therapy, NST）和病程；肛周并发症为既往肛周并发症、肠外表现和CDAI；腹部并发症为既往腹部并发症、NST和蒙特利尔L3表型。接受NST被解释为营养耗竭和更高疾病负担的临床标志，而非因果风险因素。基于蒙特利尔的分层揭示了显著的异质性，其中孤立小肠疾病与肠切除和腹部并发症的更高风险相关，而孤立结肠疾病的肛周并发症负担最高。
结论：可解释的RF–SHAP框架显示出在CD中进行蒙特利尔表型分层预测一年并发症风险的潜力，并为未来评估风险分层和表型知情管理提供了依据。
本文围绕“可解释随机森林–SHAP框架用于蒙特利尔表型分层的克罗恩病一年并发症预测”展开，以下为论文解读。
**研究背景与问题**
克罗恩病（Crohn’s disease, CD）是一种慢性、复发性的炎症性肠病（inflammatory bowel disease, IBD），具有显著的临床和生物学异质性，疾病进程可从轻度炎症活动进展为严重的不可逆组织破坏。累积性肠壁损伤常导致功能损害、生活质量下降以及反复住院和手术带来的沉重医疗负担。解剖部位是决定临床表型的关键因素，影响症状负荷、疾病严重程度和特定并发症的易感性。因此，早期识别高风险个体并进行准确的风险分层，是实施个性化管理和及时干预的重要前提。目前，基于人工智能（artificial intelligence, AI）的机器学习（machine learning, ML）模型已被用于预测CD患者出院后一年并发症风险，但现有模型多聚焦单一结局、缺乏可解释性，外部验证有限，并且较少在统一框架内同时评估肠切除、肛周并发症和腹部并发症。基于此，研究人员整合两个临床中心的电子健康记录（electronic health records, EHR）数据，开发了一种临床可解释的随机森林（Random Forest, RF）框架，以实现基于蒙特利尔表型分层的
