慢性便秘患者肠道准备不合格的机器学习预测模型的构建与验证

摘要

目的 探讨慢性便秘(CC)患者结肠镜检查前肠道准备不合格的影响因素，并基于机器学习算法构建并验证针对该高危群体的肠道准备不合格预测模型。方法 采用连续抽样法选取2022年5月—2024年5月在南京市中医院接受结肠镜检查的CC患者700例，根据肠道准备质量分为合格组(560例)和不合格组(140例)。采用单因素和多因素Logistic回归分析探讨CC患者结肠镜检查前肠道准备不合格的影响因素。基于SPSS软件，采用Logistic回归、决策树(CRT)、反向传播神经网络(BPNN)等机器学习算法构建CC患者结肠镜检查前肠道准备不合格的预测模型。选取2024年6—10月在南京市中医院接受结肠镜检查的250例CC患者作为独立外部验证队列，检验模型的泛化能力。采用受试者工作特征(ROC)曲线的曲线下面积(AUC)、敏感度、特异度等指标综合比较3种模型的预测价值。结果 单因素和多因素Logistic回归分析结果显示，年龄、便秘病程、糖尿病、腹部手术史、结肠镜检查等待时间、是否服用西甲硅油均是CC患者结肠镜检查前肠道准备不合格的独立影响因素(P<0.05)。基于CRT模块构建的模型显示，便秘病程、年龄、糖尿病均是CC患者肠道准备不合格的分类因素。根据BPNN模型中自变量的重要性标准化后的结果，便秘病程、年龄、结肠镜检查等待时间、是否服用西甲硅油、糖尿病是影响CC患者肠道准备不合格的前5位因素。3种机器学习算法构建的模型的AUC均>0.800,其中Logistic回归模型预测效能最佳，AUC为0.889(95%CI:0.857～0.922),敏感度为0.843,特异度为0.821。结论 本研究构建的3种机器学习预测模型均能有效识别CC患者中肠道准备不合格的高风险个体，Logistic回归模型综合表现最佳，为临床进行风险分层与精准干预提供可靠工具。

关键词

慢性便秘 / 结肠镜检查 / 肠道准备 / 机器学习算法 / Logistic回归模型 / 决策树 / 神经网络计算机 / 预后