基于机器学习的血清学标志物预测粘连性小肠梗阻患者肠坏死的研究

摘要

目的 探讨基于机器学习的血清学标志物预测粘连性小肠梗阻（ASBO）手术患者不可逆性透壁性肠坏死（ITIN）的价值。方法 前瞻性纳入2023年2月至2025年2月徐州市中心医院133例接受手术治疗的ASBO患者，根据术中探查和病理结果分为坏死组（68例）和非坏死组（65例）。检测血清血同型半胱氨酸（HCY）、内毒素、降钙素原（PCT）、C反应蛋白（CRP）、白细胞介素-6（IL-6）、IL-1β、IL-5、中性粒细胞明胶酶相关脂质运载蛋白（NGAL）、乳酸脱氢酶、维生素B₁₂、叶酸以及年龄、性别、体质量指数等14项指标。构建20个机器学习模型，数据集按8:2随机分为训练集（n=106）和测试集（n=27）。在测试集上通过ROC、DCA、校准曲线等评估模型性能，并进行SHAP特征重要性分析。结果 坏死组HCY、内毒素、PCT、CRP水平均高于非坏死组（均P<0.05）。极度随机树（Extra Trees）模型性能最优，AUC为0.977（95%CI 0.955～0.999），灵敏度92.6%（95%CI 83.9%～96.8%），特异度95.4%（95%CI 87.3%～98.4%）。SHAP分析显示HCY为最重要的预测因子（平均|SHAP值|=0.119 6），其次为内毒素（0.100 8）和CRP（0.055 7）。决策曲线分析表明，在阈值概率0.2～0.8范围内，Extra Trees模型净获益显著高于“全部治疗”或“全部不治疗”策略。校准曲线显示良好一致性（Brier Score=0.098）。结论 基于机器学习的多标志物模型可准确预测ASBO手术患者肠坏死风险，Extra Trees模型表现最佳。HCY是最重要预测因子，为临床术前风险评估提供客观依据。未来需进一步开发适用于保守治疗ASBO患者的综合预测模型。

关键词

机器学习 / 同型半胱氨酸 / 粘连性小肠梗阻 / 肠坏死 / 血清学标志物 / 极度随机树 / SHAP分析