基于机器学习构建结直肠癌术后第3个月营养不良风险的预测模型

摘要

目的：基于患者主观整体营养评估（PG-SGA）诊断结直肠癌（CRC）患者的营养状况，构建快速且易于应用的术后第3个月营养不良预测模型。方法：纳入2024年5—10月山东大学齐鲁医院于门诊复查的303例CRC患者。收集患者的人体测量学指标、实验室检查结果及人体成分分析等相关数据。基于LASSO回归和单因素Logistic回归筛选变量，构建术后第3个月的多种机器学习模型。模型性能通过ROC曲线（AUC）及混淆矩阵相关指标，并结合Brier评分进行综合评估。结果：根据PGSGA评分，术后第3个月营养不良发生率为44.88%；经LASSO回归及单因素Logistic回归分析，筛选出包括糖尿病、TNM分期、前白蛋白、左小腿围度及全身相位角等13个与营养不良显著相关的特征变量（P<0.05）。在7种机器学习算法中，随机森林（RF）算法表现最佳，AUC值达到0.912，特异度高达0.914；基于SHAP分析框架将模型可视化，全身相位角、左小腿围度、厌食评分及前白蛋白是术后第3个月营养不良风险的核心预测因子（均P<0.001），其中全身相位角的预测能力最强。结论：基于RF算法构建的营养不良风险预测模型，对结直肠癌患者术后第3个月营养不良的发生风险具有良好的预测能力，可为临床CRC患者的快速营养干预提供科学指导。

关键词

结直肠癌 / 营养不良 / 预测模型 / 机器学习