基于机器学习构建肝硬化门静脉血栓形成风险预测模型及网络应用程序

摘要

目的：门静脉血栓（PVT）形成是肝硬化的常见并发症，可加重肝损伤、门静脉高压及相关并发症。本研究旨在基于多种机器学习（ML）方法建立肝硬化并发PVT的预测模型及网络应用程序（App）。方法：回顾性纳入662名肝硬化患者。并将其分为PVT组和非PVT组。共涉及26项潜在预测变量，用以构建和验证1种LASSO回归模型和5种不同的ML模型。各模型的性能通过受试者工作特征曲线下面积（AUC）、灵敏度、特异度和准确率等指标进行评估，并选出表现最佳的模型。利用特征重要性分析和SHAP值散点图等手段实现对模型的可视化解释。最终在Python-Streamlit框架下开发了最佳模型的网络应用，并在另一家医院的独立测试集中进行外部验证。结果：在验证集中，XGBoost模型表现最佳，优于LASSO回归和其他ML模型，AUC为0.93(95%CI:0.88～0.98)。在测试集中，XGBoost模型的准确率、灵敏度、特异度和AUC分别为83.47%、85.71%、82.80%和0.90(95%CI, 0.81～0.97)。特征重要性分析表明，凝血酶原活动度、门静脉内径、MELD评分、D-二聚体、血小板计数、凝血酶原时间和白蛋白这7个特征对预测肝硬化合并PVT具有重要作用。SHAP值散点图和力图可视化关键特征对PVT预测的影响。结论：基于XGBoost机器学习算法构建的预测模型及其网络应用在肝硬化并发PVT风险预测中表现出良好的预测能力和便捷性，可为医护人员筛查PVT高风险患者提供有力支持。

关键词

肝硬化 / 门静脉血栓形成 / 机器学习 / 应用程序 / Streamlit