带状疱疹后神经痛发生的治疗相关因素分析及其XGBoost临床预测模型的构建

摘要

目的 分析影响带状疱疹后神经痛(PHN)发生的危险因素，特别是治疗相关因素，择优选择机器学习算法构建PHN临床预测模型。方法 选取2023年5月至10月于西京医院疼痛医学中心门诊就诊的434名带状疱疹患者的病历资料。收集人口学因素、疱疹相关因素、治疗相关因素及合并疾病等指标。在患者病程满3个月后，根据疼痛VAS判断是否发生PHN,分为PHN组(n=197)和非PHN组(n=237)。使用单因素分析、logistic回归挑选变量，随后使用LASSO回归对挑选出的因素进行筛选和降维，选择最终纳入模型的变量。比较传统logistic回归模型和XGBoost、SVM两种机器学习模型的区分性能，选择最佳算法构建模型并进行验证和评价。结果 研究通过LASSO回归筛选发现神经节段、年龄、急性期VAS、疱疹面积、神经阻滞治疗开始时间和疼痛性质是PHN发生的独立影响因素。logistic回归、XGBoost模型和SVM模型在训练集的ROC-AUC均值分别为0.82、0.95、0.77,在验证集的均值分别为0.81、0.81、0.76,提示XGBoost模型的预测性能最佳。使用XGBoost建模，训练集、验证集的ROC-AUC均值及95%CI分别为0.94(0.92～0.97)、0.86(0.79～0.94),提示模型区分度较好。Hosmer-Lemeshow拟合优度检验P>0.05,校准曲线比较接近理想曲线，说明模型预测性能良好。决策分析曲线显示模型具有良好的临床净收益。结论 神经受累节段和神经阻滞治疗开始时间这两个治疗相关因素是PHN发生的重要独立影响因素。采用神经节段、年龄、急性期VAS、疱疹面积、神经阻滞治疗开始时间、疼痛性质六个变量构建的XGBoost临床预测模型性能优良，具有较好的区分度和校准度；对于早期甄别PHN高危患者，及时进行针对性治疗具有重要临床意义。

关键词

带状疱疹后神经痛 / 带状疱疹 / 治疗相关因素 / 临床预测模型 / 机器学习