机器学习预测急性上消化道出血患者干预及再出血的风险价值

摘要

目的：探讨机器学习（ML）对急性上消化道出血（AUGIB）患者输血干预及再出血的预测价值。方法：回顾性分析2020年7月至2023年10月云南省第三人民医院收治的512例AUGIB患者的临床资料。采用极端梯度提升树（XGBoost）进行变量重要度分析，将筛选得到的重要度排名前10项的因素作为模型中的变量；使用logistic回归、XGBoost、随机森林、支持向量机（SVM）及K近邻算法（KNN）进行分类预测并对比，选取最佳模型并采用SHAP图对ML筛选出的特征进行可解释性分析；并用最佳模型与临床常用AUGIB评分系统进行比较，评估临床价值。结果：XGBoost算法模型中输血干预危险因素得分前10项分别为血红蛋白、国际标准化比值（INR）、白蛋白、收缩压、尿素、麻醉风险评分、脉搏、肌酐、年龄、是否休克。利用以上重要特征进行建模，XGBoost预测AUGIB患者输血干预效果最好，得分最高，即能够尽可能找出更多发生消化道出血进行输血干预的患者，且优于临床常用格拉斯哥—布拉奇福德出血评分（GBS）、AIMS65、ABC及T评分系统。通过XGBoost算法模型中再出血患者重要特征得分前10项为年龄、肌酐、INR、血红蛋白、麻醉风险评分、白蛋白、收缩压、尿素、肝硬化、性别。利用得分排前10的危险因素进行建模，XGBoost预测AUGIB患者再出血的效果最佳，且优于以上4种评分系统。结论：在预测AUGIB患者输血干预及再出血的价值中，ML模型优于GBS、AIMS65、ABC及T评分系统；XGBoost模型算法更佳，具有更好的有效性。

关键词

机器学习 / 极限梯度提升算法 / 急性上消化道出血 / 风险评估