基于自动机器学习的肝癌患者介入术后并发疼痛的预测模型构建

摘要

目的 构建基于自动机器学习的肝癌(Hepatocellular carcinoma, HCC)患者介入术后并发疼痛的预测模型，为临床早期识别HCC患者介入术后并发疼痛高风险患者、制定个体化镇痛策略提供依据。方法 采用回顾性分析的方法，选取空军军医大学唐都医院2022年1月至2024年12月收治的经导管动脉化疗栓塞术(Transcatheter arterial chemoembolization, TACE)手术的387例HCC患者为研究对象，按照8∶2的比例将数据分割成模型训练集(n=310)和测试集(n=77)。采用改进的吸血水蛭优化算法(Improved blood-sucking leech optimizer, IBSLO)优化自动机器学习(Automated machine learning, AutoML)流程，并与逻辑回归(Logistic regression, LR)、支持向量机(Support vector machine, SVM)、XGBoost和LightGBM 4种传统机器学习模型进行性能对比，得到最优模型。采用SHapley加法解释(SHapley additive exPlanations, SHAP)对预测模型的可解释性进行分析。结果 (1)采用CEC2022基准函数集对改进的IBSLO进行性能测试，结果显示其相较于传统吸血水蛭优化算法(Blood-sucking leech optimizer, BSLO)等对比算法，具有更快的收敛速度，且在迭代过程中陷入局部最优的风险最低。(2)在测试集上，IBSLO优化的AutoML模型的预测性能(ROC-AUC=0.877 5,PR-AUC=0.817 5)优于LR、SVM、XGBoost和LightGBM 4种传统模型。(3)AutoML模型筛选出的关键预测特征包括术前疼痛、肿瘤与肝包膜距离、凝血酶原活动度(Prothrombin activity, PTA)、肿瘤栓塞数量、碘油剂量及年龄。结论 本研究通过IBSLO优化AutoML框架构建的预测模型能有效预测HCC患者TACE术后疼痛风险，其性能优于传统机器学习模型。

关键词

机器学习 / 肝细胞癌 / 经导管动脉化疗栓塞术 / 疼痛 / 临床预测模型