基于自动化机器学习建立结肠镜肠道准备失败风险预测模型及评价

摘要

目的 鉴于机器学习（ML）在医学模型中的广泛应用，以及其出色的学习和泛化特性，该研究采用自动化机器学习（AutoML）结合患者一般资料和临床状况，早期评估结肠镜前肠道准备的失败风险。方法 回顾性分析2022年1月-2023年1月在该院接受结肠镜检查的患者的临床资料。波士顿肠道准备评分（BBPS）≤5分被定义为肠道准备失败，> 5分为合格。将患者按8∶2的比例随机划分了训练集（n=303）和验证集（n=76）。采用最小绝对收缩和选择算子（LASSO）逻辑回归（LR）模型进行特征选择，构建列线图评分系统，并使用基于5种算法的AutoML建立模型。模型性能通过受试者操作特征曲线（ROC curve）、校准曲线、基于LR (Lasso回归)的决策曲线分析（DCA）、SHAP图和力图进行评估。结果 在379例患者中，105例（27.7%）肠道准备失败（BBPS≤5分）。21个研究变量在经LASSO 5折交叉验证后，获得10个变量，并构建了一款列线图评分系统，通过校正曲线表明了LASSO模型的可靠性。使用H2O平台和5种算法[梯度提升机（GBM）、深度学习（DL）、广义线性模型（GLM）、堆叠集成（Stacked Ensemble）和分布式随机森林（DRF）]开发了67个模型。经比较，Stacked Ensemble表现最佳，其曲线下面积（AUC）为0.871，对数损失值（LogLoss）为0.403，均方根误差（RMSE）为0.354，优于其他模型和传统的LR模型。变量重要性贡献图显示，服完泻药至检查间隔时间、便秘、是否完整服完泻药、年龄和家属陪同等因素对肠道准备失败的预测有重要影响。最后，SHAP图和力图揭示了变量在二分类预测结果中的分布特征，以及各变量对预测结果的影响。结论 基于Stacked Ensemble算法的AutoML模型，对肠道准备失败风险的早期预测有明显的临床实用性。同时，该研究构建了一款可供临床使用的列线图评分工具。

关键词

波士顿肠道准备评分(BBPS) / 结肠镜 / 自动化机器学习(AutoML) / 预测模型 / 列线图