基于可解释机器学习的预测模型：评估CDAI 0～1级克罗恩病患者的腹部手术风险及生物制剂疗效

摘要

目的：克罗恩病患者存在高手术风险的临床问题。本研究旨在开发一种能够预测克罗恩病活动指数(Crohn disease activity index,CDAI)为0～1级的克罗恩病患者腹部手术风险的预测模型。方法：回顾性纳入2016至2022年期间在中南大学湘雅二医院就诊的克罗恩病患者。通过随机种子法，以5꞉5的比例将总样本分为训练集和验证集。采用多因素Cox向后逐步回归法筛选最终纳入预测模型的变量，并估算与手术风险相关因素的风险比(hazard ratio,HR)及其95%置信区间(confidence interval,CI)。此外，本研究引入8种机器学习预测模型：最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)-Cox回归、随机生存森林(random survival forest,RSF)、梯度提升机(gradient boosting machine, GBM)、 CoxBoost、生存支持向量机(survival support vector machine,SurvivalSVM)、极端梯度提升(extreme gradient boosting,XGBoost)、监督主成分回归(supervised principal component regression,SuperPC)和部分最小二乘回归Cox(partial least squares Cox regression,PLSR-Cox)。选择在验证集上C指数表现最优的模型作为最终决策的预测模型。采用C指数和受试者操作特征(receiver operating characteristic,ROC)曲线的曲线下面积(area under the curve,AUC)评估预测模型的区分度，校正曲线评估预测模型的校准度，并通过决策曲线分析(decision curve analysis,DCA)评估预测模型的临床净收益。采用沙普利加性解释(Shapley additive explanations,SHAP)分析解释机器学习预测模型的特征对预测结果的贡献，从而提高预测模型的可解释性。采用Kaplan-Meier曲线描述累积无手术率，Log-Rank检验比较预测模型风险分层或有无生物制剂治疗队列的组间差异。结果：本研究共纳入615名研究对象，训练集307例，验证集308例。通过Cox多因素逐步向后回归分析，筛选出4个重要变量：C反应蛋白(HR=1.07,95%CI 1.01～1.14,P=0.025)、白蛋白(HR=0.69,95%CI 0.46～1.04,P=0.075)、纤维蛋白原(HR=0.65,95%CI 0.51～0.84,P<0.001)和蒙特利尔B分型(HR=2.26,95%CI 1.23～4.17,P=0.009)。通过比较9个预测模型在验证集上的C指数，结果显示：CoxBoost预测模型在验证集中性能最佳，C指数为0.746(95%CI0.683～0.809)。在训练集中，CoxBoost预测模型的1年、3年和5年AUC分别为0.778、0.749和0.772；在验证集上分别为0.761、0.797和0.751。校正曲线表明：CoxBoost预测模型预测手术概率与实际手术概率一致性较好，Brier评分均小于0.25。DCA分析结果显示：CoxBoost预测模型在一定的预测概率范围内能提供较好的临床净收益。SHAP分析结果显示：蒙特利尔B分型是模型预测结果的主要影响因素。Log-Rank检验结果显示：CoxBoost预测模型划分的低、中、高风险组的累积无手术率存在显著性差异(P<0.001)。在中高风险组中，使用生物制剂显著降低了手术率(HR=0.54,95%CI 0.33～0.89,P=0.014)，而在低风险组中则未见显著效果(HR=1.01,95%CI 0.51～2.00,P=0.970)。结论：本研究开发的CoxBoost预测模型能够有效预测克罗恩病患者的腹部手术风险，并为患者是否采用生物制剂治疗的临床决策提供依据。

关键词

炎症性肠病 / 克罗恩病 / 腹部手术风险 / 生物制剂 / 人工智能