基于机器学习的成人活体肝移植术中再灌注后综合征风险预测

摘要

目的 比较多种模型并解析SHAP特征贡献来构建成人活体肝移植（LDLT）术中再灌注后综合征（PRS）的机器学习风险预测模型。方法 收集2023年5月至2025年4月因终末期肝病在安徽医科大学第一附属医院接受LDLT的390例患者的临床资料。比较随机森林、逻辑回归、XGBoost、决策树和AdaBoost五种机器学习模型。基于Lasso回归进行特征筛选，训练集使用五折分层交叉验证，最后在独立测试集上评估了模型的泛化能力。基于召回率、准确率、精确率、曲线下面积（AUC）、F1值等关键评价指标对模型进行综合比较，从而确定最优模型。结果 筛选出8个用于预测PRS的潜在因素。随机森林模型在训练集与测试集中均展现出最优预测性能，在测试集中其准确率高达84.2%（AUC=0.894,95%可信区间0.808～0.964）。通过SHAP值分析确定了PRS预测因子的重要性排序，冷缺血时间、无肝期K⁺和终末期肝病模型（MELD）评分均被确定为最显著的预测因子。结论 基于冷缺血时间、门静脉阻断时间、再灌注前体温、无肝期碱剩余、无肝期K⁺、MELD评分、左心室舒张末期内径以及移植物体积与标准肝体积比值8个关键指标，采用随机森林算法构建出的PRS预测模型在测试集中表现出最优的预测性能，为后续的临床预测提供了一定帮助。

关键词

成人活体肝移植 / 再灌注后综合征 / 机器学习 / 风险预测 / 预测模型 / 冷缺血时间 / 门静脉阻断时间 / 终末期肝病模型评分

基金资助

安徽省自然科学青年基金（2208085QC74）