PDF下载 ( 3367 KB)
基于自动化机器学习构建胆总管结石自发排石预测模型及应用程序
DOI: 10.12449/JCH250319
Development of a predictive model and application for spontaneous passage of common bile duct stones based on automated machine learning
-
摘要:
目的 鉴于胆总管结石患者治疗决策的复杂性，本研究利用自动化机器学习算法，开发一款能够预测胆总管结石患者自发排石的预测模型及应用程序，从而减少非必要内镜逆行胰胆管造影（ERCP）。 方法 回顾性收集2022年1月—2024年6月通过影像学手段明确诊断胆总管结石后拟行ERCP取石的患者数据，数据来自常熟市第一人民医院（数据集1）和常熟市中医院（数据集2），共835例。数据集1用于机器学习模型训练、内部验证和开发应用程序，数据集2用于外部测试。纳入22个潜在预测变量，用于构建和内部验证LASSO回归模型及自动化机器学习模型。通过受试者操作特征曲线下面积（AUC）、敏感度、特异度、准确率等评估模型性能，选取最佳模型。使用特征重要性图、力图和SHAP图对模型进行解释。利用Python Dash库和最佳模型构建Web应用程序，在数据集2上进行外部测试。使用Kolmogorov-Smirnov检验确定数据是否符合正态分布；对于不符合正态分布的连续变量，使用Mann-Whitney U检验进行2组间比较；分类变量通过χ2检验或Fisher精确检验来分析组间差异。 结果 纳入835例患者中，152例（18.20%）出现自发排石。在训练集（n=588）和验证集（n=171）中，LASSO模型的AUC分别为0.875、0.864，重要性排名前5的预测因素为单发胆总管结石、胆总管不扩张、胆总管结石直径、血清ALP降低和GGT降低。通过自动化机器学习构建了55个模型，其中梯度提升机（GBM）表现最佳，其AUC为0.891，95%CI为0.859～0.927，优于极端随机树（XRT）、深度学习（DL）、广义线性模型（GLM）和分布式随机森林（DRF）模型。在测试集（n=76）中，GBM模型的预测准确率、敏感度和特异度分别为0.855、0.846和0.857。变量重要性分析显示，单发胆总管结石、胆总管不扩张、胆总管结石直径<8 mm、血清ALP降低和GGT降低这5个因素对预测自发排石具有重要影响。基于GBM模型的SHAP图分析显示，当患者出现单发胆总管结石、胆总管不扩张、胆总管结石直径<8 mm、血清ALP及GGT降低时，出现自发性排石的概率明显增加。 结论 基于自动化机器学习算法构建的GBM模型及应用程序，在预测胆总管结石患者自发排石方面展现出良好的预测性能和使用便捷性。该应用程序能够帮助避免非必要的ERCP，从而降低手术风险和医保支出。 -
关键词:
- 胆总管结石病 /
- 胰胆管造影术， 内窥镜逆行 /
- 机器学习 /
- 预测模型
Abstract:Objective To develop a predictive model and application for spontaneous passage of common bile duct stones using automated machine learning algorithms given the complexity of treatment decision-making for patients with common bile duct stones， and to reduce unnecessary endoscopic retrograde cholangiopancreatography （ERCP） procedures. Methods A retrospective analysis was performed for the data of 835 patients who were scheduled for ERCP after a confirmed diagnosis of common bile duct stones based on imaging techniques in Changshu First People’s Hospital （dataset 1） and Changshu Traditional Chinese Medicine Hospital （dataset 2）. The dataset 1 was used for the training and internal validation of the machine learning model and the development of an application， and the dataset 2 was used for external testing. A total of 22 potential predictive variables were included for the establishment and internal validation of the LASSO regression model and various automated machine learning models. The area under the receiver operating characteristic curve （AUC）， sensitivity， specificity， and accuracy were used to assess the performance of models and identify the best model. Feature importance plots， force plots， and SHAP plots were used to interpret the model. The Python Dash library and the best model were used to develop a web application， and external testing was conducted using the dataset 2. The Kolmogorov-Smirnov test was used to examine whether the data were normally distributed， and the Mann-Whitney U test was used for comparison between two groups， while the chi-square test or the Fisher’s exact test was used for comparison of categorical data between groups. Results Among the 835 patients included in the study， 152 （18.20%） experienced spontaneous stone passage. The LASSO model achieved an AUC of 0.875 in the training set （n=588） and 0.864 in the validation set （n=171）， and the top five predictive factors in terms of importance were solitary common bile duct stones， non-dilated common bile duct， diameter of common bile duct stones， a reduction in serum alkaline phosphatase （ALP）， and a reduction in gamma-glutamyl transpeptidase （GGT）. A total of 55 models were established using automated machine learning， among which the gradient boosting machine （GBM） model had the best performance， with an AUC of 0.891 （95% confidence interval： 0.859 — 0.927）， outperforming the extreme randomized tree mode， the deep learning model， the generalized linear model， and the distributed random forest model. The GBM model had an accuracy of 0.855， a sensitivity of 0.846， and a specificity of 0.857 in the test set （n=76）. The variable importance analysis showed that five factors had important influence on the prediction of spontaneous stone passage， i.e.， were solitary common bile duct stones， non-dilated common bile duct， a stone diameter of <8 mm， a reduction in serum ALP， and a reduction in GGT. The SHAP analysis of the GBM model showed a significant increase in the probability of spontaneous stone passage in patients with solitary common bile duct stones， non-dilated common bile duct， a stone diameter of <8 mm， and a reduction in serum ALP or GGT. Conclusion The GBM model and application developed using automated machine learning algorithms exhibit excellent predictive performance and user-friendliness in predicting spontaneous stone passage in patients with common bile duct stones. This application can help avoid unnecessary ERCP procedures， thereby reducing surgical risks and healthcare costs. -
文献［1-2］报道肝细胞癌（后文简称肝癌）合并门静脉癌栓（portal vein tumor thrombus，PVTT）的发生率为44.0%～62.2%，不仅治疗困难，而且预后较差。肝癌合并PVTT的治疗方法较多，其中经导管动脉化疗栓塞术（TACE）是最常见的方法之一［3］。载药微球经动脉化疗栓塞术（D-TACE）在疾病控制和患者总体生存获益方面疗效优于常规TACE（C-TACE）［4］，但单纯D-TACE对PVTT的治疗反应率较低［5-6］。肝动脉灌注化疗（HAIC）对肝癌合并PVTT有一定的疗效，文献［7-8］报道HAIC治疗肝癌合并PVTT的客观缓解率为27.6%，但HAIC治疗肝癌合并门静脉主干癌栓患者通常效果较差，中位生存期不足10个月。对于肝癌合并PVTT患者，在TACE术中经脾动脉推灌注化疗药物可提高PVTT的治疗有效率［9］。但目前为止，尚未见D-TACE联合肠系膜上动脉灌注化疗治疗肝癌合并PVTT的研究报道。本研究采用D-TACE联合肠系膜上动脉灌注化疗治疗肝癌合并PVTT的患者，并与单纯D-TACE治疗的患者进行对比分析，以探讨其疗效，报道如下。
1. 资料与方法
1.1 研究对象
回顾性收集本院2022年1月—2023年12月行D-TACE联合肠系膜上动脉灌注化疗或单纯D-TACE治疗的肝癌合并PVTT患者资料。纳入标准：（1）根据《原发性肝癌诊疗指南（2022年版）》［10］确诊为肝癌合并PVTT（CNLC Ⅲa期）；（2）PVTT程氏分型为Ⅰ型、Ⅱ型，或为Ⅲ型、Ⅳ型但门静脉主干未完全阻塞；（3）肝功能Child-Pugh A级或B级，ECOG PS评分0～2分；（4）术前拒绝或无法行外科手术切除。排除标准：（1）肝功能Child-Pugh C级；（2）合并其他肿瘤或存在远处转移；（3）联合其他介入手术，如C-TACE、消融、粒子置入等治疗；（4）随访时间不足3个月或失访；（5）肿瘤个数超过4个或存在肿瘤弥漫。按照上述标准，入选D-TACE联合肠系膜上动脉持续灌注化疗的15例肝癌合并PVTT患者，作为观察组。以观察组患者术前基线资料为标准，按1∶1进行倾向性评分匹配入选同时期单纯行D-TACE治疗的15例肝癌合并PVTT患者，作为对照组。
1.2 介入治疗方法
患者仰卧位，局麻后穿刺右或左侧桡动脉，置入4F导管鞘（日本Temmo公司），超滑导丝引导下，使用4F单弯导管（美国Cordis公司，长度125 cm）选择性插管造影（腹腔干动脉、肠系膜上动脉、膈下动脉、肋间动脉等），明确肿瘤供血动脉。经4F肝管或单弯导管同轴置入微导管（美国Boston Scientific公司）超选择插入肿瘤供血动脉内，将CalliSpheres载药微球（苏州恒瑞迦俐生生物医药科技有限公司，直径100～300 μm或300～500 μm）1 g与5%葡萄糖水3 mL溶解的表柔比星40 mg充分载药摇匀后，与造影剂1∶1混合，经微导管缓慢推注至肿瘤供血动脉内，在透视监视下发现肿瘤供血动脉铸型，5 min后复查造影确认肿瘤供血动脉不显影为栓塞终点。对于肿瘤血管异常丰富的，加用明胶海绵或聚乙烯醇颗粒进行栓塞。观察组在栓塞完成后，保留微导管在肠系膜上动脉内，返回病房经微导管持续动脉灌注化疗。化疗方案为：奥沙利铂85 mg/m2，维持2 h；亚叶酸钙200 mg/m2，维持1 h；5-氟尿嘧啶600 mg/m2，维持22 h。灌注完成后拔除导管及鞘，穿刺部位使用桡动脉压迫器（日本Temmo公司）行压迫止血。术后推荐口服阿帕替尼250 mg/d联合静脉滴注卡瑞利珠单抗200 mg/3周进行治疗。治疗过程中联合保肝、补蛋白、利尿等对症支持处理。
1.3 术后随访处理
观察并记录患者术后不良反应，术后第1、2、3个月及以后每3个月行上腹部增强MR评估肿瘤进展情况，同时复查血常规、肝功能、凝血功能和肿瘤标志物。随访期间发现肝内肿瘤病灶仍有活性时，再次行D-TACE联合肠系膜上动脉持续灌注化疗或单纯D-TACE治疗，未发现肿瘤活性则继续随访。观察组患者至少接受2次D-TACE联合肠系膜上动脉持续灌注化疗，治疗间隔3～4周。终止或暂停介入治疗的标准：（1）经治疗后病灶表现为完全缓解（CR）或连续2次复查均表现为部分缓解（PR），病情稳定；（2）随访期间患者出现肝功能Child-Pugh C级，ECOG PS评分>2分或患者死亡。
1.4 疗效评价
肿瘤疗效评价根据mRECIST标准，分为CR、PR、疾病进展（PD）和疾病稳定（SD）［11］。肿瘤客观缓解率（ORR）=（CR+PR）/（CR+PR+SD+PD）×100%，疾病控制率（DCR）=（CR+PR+SD）/（CR+PR+SD+PD）×100%。PVTT疗效评价分为：CR，PVTT完全消失；PR，PVTT直径减小≥50％；PD，PVTT直径增大≥25％；SD，不符合上述缓解或进展的情况［12］。PVTT的ORR、DCR计算方式同上。记录患者肿瘤无进展生存时间（PFS）、总生存时间（OS）、12个月内累积无进展生存率和累积总生存率。
1.5 统计学方法
采用SPSS 26.0软件进行数据分析。符合正态分布的计量资料以
2. 结果
2.1 一般资料
两组患者术前基线资料比较，差异均无统计学意义（P值均>0.05）（表1）。
表 1 两组患者基线资料情况比较Table 1. Comparison of baseline characteristics between the two groups of patients指标 观察组（n=15） 对照组（n=15） 统计值 P值 年龄（岁） 58.5±10.7 57.7±8.9 t=0.315 0.755 性别［例（%）］ χ2=0.370 0.543 男 14（93.3） 13（86.7） 女 1（6.7） 2（13.3） Child-Pugh评分（分） 6.3±0.9 6.1±1.1 t=0.374 0.711 Child-Pugh分级［例（%）］ χ2=0.144 0.705 A 9（60.0） 10（66.7） B 6（40.0） 5（33.3） 肿瘤最大径（mm） 101.5±44.9 95.8±35.6 t=0.323 0.750 肿瘤数量［例（%）］ χ2=0.536 0.464 单个 7（46.7） 9（60.0） 多个 8（53.3） 6（40.0） PVTT分型［（%）］ χ2=0.311 0.958 Ⅰ型 2（13.3） 3（20.0） Ⅱ型 7（46.7） 7（46.7） Ⅲ型 5（33.3） 4（26.7） Ⅳ型 1（6.7） 1（6.7） AFP［例（%）］ χ2=1.222 0.269 <400 ng/mL 7（46.7） 10（66.7） ≥400 ng/mL 8（53.3） 5（33.3） 2.2 治疗情况
全部患者均成功行介入治疗，观察组15例患者共行D-TACE联合肠系膜上动脉持续灌注化疗39次，每例平均（2.6±0.6）次；对照组15例患者共行D-TACE治疗35次，每例平均（2.3±0.9）次，两组患者介入手术次数比较，差异无统计学意义（t=0.939，P=0.356）。观察组中6例（40%）患者及对照组中8例（53.3%）患者术后联合阿帕替尼及卡瑞利珠单抗药物治疗，两组患者联合靶向免疫药物治疗比例差异无统计学意义（χ2=0.536，P=0.464）。患者术后主要不良反应为上腹部疼痛、发热及恶心呕吐，经对症处理后均可缓解，两组不良反应程度无明显差异。全部患者未出现桡动脉闭塞、肝功能衰竭、肠系膜上动脉栓塞等严重并发症。两组患者术后1个月肝功能指标与术前比较，差异无统计学意义（P值均>0.05），且组间比较差异无统计学意义（P值均>0.05）（表2）。
表 2 两组患者术后1个月肝功能指标变化情况Table 2. Changes in liver function indicators one month after treatment in the two groups of patients指标 观察组（n=15） 对照组（n=15） 统计值 P值 AST（U/L） 术前 66.5（45.8～202.8） 61.0（33.0～117.0） Z=-0.952 0.341 术后1个月 86.0（34.0～119.0） 54.0（33.8～89.0） Z=-0.986 0.324 ALT（U/L） 术前 44.5（35.0～73.8） 42.0（22.5～80.0） Z=-0.762 0.446 术后1个月 43.5（23.3～60.3） 28.5（15.8～53.8） Z=-1.059 0.290 白蛋白（g/L） 术前 35.4±3.4 37.6±4.1 t=1.462 0.157 术后1个月 35.1±5.5 36.2±7.1 t=0.388 0.702 总胆红素（μmol/L） 术前 17.6（12.7～25.2） 14.5（11.6～23.0） Z=-0.653 0.514 术后1个月 22.5（9.9～26.7） 24.9（14.9～54.5） Z=-1.021 0.307 2.3 疗效分析
两组患者术后3个月疗效评价情况见表3。观察组患者肝脏肿瘤的ORR为73.3%，DCR为93.3%；对照组患者肝脏肿瘤的ORR为53.3%，DCR为80.0%。两组肿瘤ORR和DCR比较，差异均无统计学意义（χ2值分别为1.292、1.154，P值均>0.05）。观察组患者PVTT的ORR为46.7%，DCR为100.0%（图1）；对照组患者PVTT的ORR为13.3%，DCR为73.3%。观察组PVTT的ORR和DCR均明显高于对照组（χ2值分别为3.968、4.615，P值分别为0.046、0.032）。观察组9例和对照组7例未使用过靶向免疫药物治疗的患者肝脏肿瘤的ORR分别为88.9%和42.9%（χ2=3.383，P=0.049），DCR分别为100%和71.4%（χ2=2.939，P=0.086）；PVTT的ORR分别为44.4%和0（χ2=4.148，P=0.042），DCR分别为100%和57.1%（χ2=4.747，P=0.029）。观察组6例和对照组8例术后联合靶向免疫药物治疗的患者肝脏肿瘤及PVTT的ORR、DCR比较，差异均无统计学意义（P值均>0.05）。
表 3 两组患者术后3个月疗效评价Table 3. Assessment of efficacy at three months postoperatively in the two groups of patients组别 例数 肝脏肿瘤［例（%）］ PVTT［例（%）］ 观察组 15 CR 1（6.7） 0（0.0） PR 10（66.7） 7（46.7） SD 3（20.0） 8（53.3） PD 1（6.7） 0（0.0） 对照组 15 CR 1（6.7） 0（0.0） PR 7（46.7） 2（13.3） SD 4（26.7） 9（60.0） PD 3（20.0） 4（26.7） 
注： a、b，腹部增强MR示肝左右叶交界处巨块型肝癌伴门静脉主干癌栓；c、d，数字减影血管造影下超选择插管至肿瘤供血动脉行D-TACE治疗，复查造影示肿瘤染色消失；e，保留微导管于肠系膜上动脉行持续灌注化疗；f、g，术后1个月复查增强MR示肝脏肿瘤及PVTT均减小；h，术后5个月复查增强CT示肝脏肿瘤完全缓解，PVTT明显减少。图 1 66岁男性肝癌合并PVTT患者图像Figure 1. Image of a 66-year-old male patient with hepatocellular carcinoma and portal vein tumor thrombus全部患者随访3～26个月，平均（10.5±6.7）个月，观察组1例患者死亡，中位PFS、中位OS未达到。对照组5例患者死亡，中位PFS为6个月（1～13个月），中位OS未达到。观察组和对照组患者累积3、6、12个月无进展生存率分别为93.3%、86.2%、68.9%和80.0%、62.2%、24.9%（χ2=4.271，P=0.028），观察组和对照组患者累积3、6、12个月总生存率分别为100%、88.9%、88.9%和93.3%、85.6%、70.0%（χ2=0.912，P=0.340）（图2）。
图 2 两组患者Kaplan-Meier曲线结果Figure 2. Kaplan-Meier curve results for the two patient groups3. 讨论
肝癌的生物特性及解剖特点导致肝癌细胞容易侵犯门静脉系统，形成PVTT。肝癌合并PVTT患者病情发展迅速，自然中位生存时间仅2.7个月［2］。绝大多数肝癌合并PVTT患者诊断时已失去外科手术机会，积极探索肝癌合并PVTT合适的非手术治疗方法对于改善肝癌人群总体生存具有重要意义［13-14］。目前，欧美指南仅推荐索拉非尼等系统药物作为一线治疗方法，但疗效有限［15-16］。Kim等［17］研究指出合并PVTT的晚期肝癌患者单用索拉非尼治疗的中位生存期不足5个月。文献［18-19］报道C-TACE治疗可改善肝癌合并PVTT患者总体生存，中位OS超过5个月，是临床治疗肝癌合并PVTT最常用的方法之一，但也存在肝功能恶化、碘油沉积不良、栓塞不彻底等缺陷。Chen等［4］研究比较D-TACE和C-TACE作为初始方案治疗肝癌合并PVTT的疗效和安全性，结果显示，与C-TACE相比，D-TACE可显著提高肝癌合并PVTT患者的DCR（76.2% vs 53.7%）和中位OS（12个月 vs 5个月）。本研究中30例肝癌合并PVTT患者均采用D-TACE进行初始治疗，其中观察组15例患者D-TACE术后联合肠系膜上动脉持续灌注化疗治疗，观察组和对照组累积12个月生存率分别为88.9%和70%，均显示出较好的近期疗效。
有研究［20］发现PVTT形成早期主要为门静脉供血，后为肝动脉与门静脉双重供血。因此，单纯TACE治疗虽然对肝脏肿瘤控制效果较好，但对PVTT疗效受限。Liu等［12］报道C-TACE治疗19例肝癌合并PVTT患者，中位随访13个月，对肿瘤的ORR达到63.16%，而对PVTT的ORR仅为10.93%。本研究中对照组采用单纯D-TACE治疗肝癌合并PVTT，术后3个月对肝脏肿瘤的ORR为53.3%，而对PVTT的ORR为13.3%，与上述报道情况相似。国内共识［8］指出HAIC对肝癌合并PVTT治疗有效，但对肝癌合并门静脉主干癌栓患者疗效较差。韩国一项前瞻性研究［21］报道，HAIC治疗29例肝癌合并PVTT的ORR为27.6%，其中19例（65.5%）合并门静脉主干癌栓。He等［22］研究表明HAIC治疗肝癌合并PVTT的疗效与PVTT类型等级成反比。曾有动物实验［23］研究经兔脾动脉、肠系膜上动脉间接门静脉灌注和直接门静脉置管灌注5-氟尿嘧啶的药代动力学变化，结果显示30 min后三组门静脉血中5-氟尿嘧啶浓度趋于一致。说明经肠系膜上动脉持续灌注化疗时，药物可经静脉回流进入门静脉。田浩等［24］报道采用FOLFOX4方案经肝动脉、肠系膜上动脉双途径治疗21例中晚期原发性肝癌，其有效率及患者中位生存时间均显著高于单纯C-TACE治疗组。本研究中观察组采用D-TACE联合肠系膜上动脉灌注化疗治疗肝癌合并PVTT，其中40%的患者合并门静脉主干癌栓（Ⅲ、Ⅳ型PVTT），术后3个月患者肝脏肿瘤和PVTT的ORR为73.3%和46.7%，说明D-TACE联合经肠系膜上动脉向门静脉间接持续灌注化疗是治疗肝癌合并PVTT的有效方法。
屈国林等［9］报道对47例肝癌合并PVTT患者在TACE术中联合经脾动脉推注化疗药物行间接门静脉灌注治疗，对PVTT有效率达87.5%～90%，其中9例门静脉主干癌栓患者有效率为89%。本研究中观察组患者术后3个月PVTT的ORR和DCR均显著高于对照组，DCR达到100%，说明观察组治疗方法对全部患者PVTT均有效。由于随访时间较短，目前两组患者总体生存率差异不显著，但观察组累积3、6和12个月的无进展生存率显著高于对照组。分析本研究中观察组治疗方法的潜在优势在于：（1）D-TACE和经肠系膜上动脉持续灌注化疗对肝脏的双重供血系统均具有提高局部药物浓度、延长药物作用时间的效果，在增强疗效的同时也有助于减少肿瘤的肝内转移。（2）经肠系膜上动脉行间接门静脉灌注化疗可利用血液回流充分作用于肠系膜上静脉、门静脉主干及各分支内的癌栓，对各种类型的PVTT均可起效［25］。（3）患者均采用桡动脉入路，术后无需卧床，患者按周期治疗依从性较好，治疗效果稳定。本研究的不足之处在于样本量较小，随访时间不长，且未设置HAIC对照组。今后仍有待延长随访时间进一步深入研究，结果需要大样本的前瞻性研究进行验证。
综上所述，D-TACE联合肠系膜上动脉持续灌注化疗治疗肝癌合并PVTT是一种安全可行的方法，并且与单纯D-TACE治疗相比，在PVTT的缓解和控制方面疗效较好。本研究为改善肝癌合并PVTT的介入治疗效果提供了新的思路和临床证据。
-
注： a，回归系数。随着λ值的增加，系数的绝对值减小；b，通过10倍交叉验证确定LASSO回归分析中最优λ值。 续表1
图 2 基于LASSO回归的胆总管结石患者自发排石预测因子的惩罚图
Table 1 Continued
Figure 2. Penalty plot of predictors for spontaneous stone passage in patients with common bile duct stones based on LASSO regression
注： a，模型在训练集中的校准曲线；b，模型在验证集中的校准曲线。
图 3 LASSO回归模型在训练集和验证集中的校准曲线
Figure 3. Calibration curves of the LASSO regression model in the training and validation sets
注： a，模型在训练集中的ROC曲线；b，模型在验证集中的ROC曲线。
图 4 LASSO回归模型在训练集和验证集的ROC曲线
Figure 4. ROC curves of the LASSO regression model in the training and validation sets
图 5 不同机器学习模型ROC曲线对比
Figure 5. Comparison of ROC curves among different machine learning models
注： a，变量重要性贡献图；b，学习曲线图。
图 6 GBM模型在验证集中的变量重要性和学习曲线
Figure 6. Variable importance and learning curve of the GBM model in the validation set
图 7 基于GBM模型的Web应用用户界面
Figure 7. User interface of the Web application based on the GBM model
图 8 测试集中GBM模型SHAP特征分析
Figure 8. SHAP feature analysis of the GBM model in the test set
注： a，预测为自发排石的概率为72%；b，预测为自发排石的概率为9%。CBDSd=1，胆总管结石直径≤5 mm；SCBDS=1，单发胆总管结石；CBD.Dilation=0，胆总管扩张；IE ERCP.interval=2，影像学检查与ERCP间隔2天；ICS=0，临床症状未改善；Distal.CBDSs=0，非远端胆总管结石；sex=0，女。
图 9 测试集中GBM模型的力图分析
Figure 9. Force plot analysis of the GBM model in the test set
表 1 训练集与验证集基线资料比较
Table 1. Comparison of baseline data between training and validation sets
变量 训练集（n=588） 验证集（n=171） 统计值 P值 性别［例（%）］ χ2=0.110 0.740 女 327（55.6） 92（53.8） 男 261（44.4） 79（46.2） 年龄［例（%）］ χ2=0.378 0.539 <60 岁 293（49.8） 80（46.8） ≥60 岁 295（50.2） 91（53.2） BMI［例（%）］ χ2=2.308 0.315 <18.5 kg/m2 117（19.9） 28（16.4） 18.5～24.0 kg/m2 262（44.6） 87（50.9） >24.0 kg/m2 209（35.5） 56（32.7） 静息收缩压［例（%）］ χ2=1.918 0.166 <140 mmHg 436（74.1） 117（68.4） ≥140 mmHg 152（25.9） 54（31.6） 远端胆总管结石［例（%）］ χ2=1.212 0.271 否 488（83.0） 135（78.9） 是 100（17.0） 36（21.1） ALP降低［例（%）］ χ2=0.786 0.375 否 505（85.9） 152（88.9） 是 83（14.1） 19（11.1） GGT降低［例（%）］ χ2=0.001 0.979 否 489（83.2） 143（83.6） 是 99（16.8） 28（16.4） 胆总管结石直径［例（%）］ χ2=0.028 0.866 ≥8 mm 514（87.4） 148（86.5） <8 mm 74（12.6） 23（13.5） 单发胆总管结石［例（%）］ χ2=0.109 0.742 否 368（62.6） 104（60.8） 是 220（37.4） 67（39.2） 胆总管扩张［例（%）］ χ2=0.023 0.878 否 497（84.5） 146（85.4） 是 91（15.5） 25（14.6） 术前应用抗生素［例（%）］ χ2=2.661 0.103 否 454（77.2） 121（70.8） 是 134（22.8） 50（29.2） 术前应用解痉药［例（%）］ χ2=1.760 0.185 否 402（68.4） 107（62.6） 是 186（31.6） 64（37.4） 临床症状改善［例（%）］ χ2=0.363 0.547 否 596（89.1） 163（87.2） 是 73（10.9） 24（12.8） 淀粉酶［例（%）］ χ2=0.001 0.995 <300 U/L 415（70.6） 120（70.2） ≥300 U/L 173（29.4） 51（29.8） 影像检查与ERCP间隔（d） 4.00（3.00～5.00） 4.00（2.00～6.00） Z=0.089 0.960 WBC（×109/L） 6.28（4.80～8.51） 6.03（4.58～7.98） Z=0.843 0.407 CRP（mg/L） 12.26（2.71～47.23） 7.39（2.52～53.09） Z=0.353 0.727 TBil（μmol/L） 28.15（17.88～56.50） 24.40（16.00～49.90） Z=1.489 0.080 DBil（μmol/L） 12.80（6.90～34.07） 13.70（7.35～39.90） Z=0.856 0.396 GGT（U/L） 246.45（129.85～439.38） 270.10（154.55～484.40） Z=1.434 0.115 ALP（U/L） 177.40（122.77～262.00） 168.40（122.70～249.15） Z=0.984 0.309 ALT（U/L） 91.90（33.58～200.25） 92.50（41.35～217.15） Z=1.142 0.285 AST（U/L） 61.85（28.90～131.58） 72.80（34.55～141.85） Z=1.323 0.166 
下载: 导出CSV
表 2 验证集中不同机器学习模型性能比较
Table 2. Performance comparison of different machine learning models in the validation set
模型 AUC（95%CI） 敏感度 特异度 准确率 PPV NPV GBM 0.891（0.859～0.927） 0.894 0.742 0.888 0.883 0.786 GLM 0.882（0.783～0.889） 0.860 0.742 0.860 0.880 0.680 DL 0.882（0.839～0.912） 0.877 0.742 0.874 0.881 0.729 XRT 0.865（0.841～0.902） 0.837 0.821 0.856 0.895 0.654 DRF 0.864（0.835～0.917） 0.899 0.742 0.893 0.883 0.807
下载: 导出CSV
-
[1] MANES G, PASPATIS G, AABAKKEN L, et al. Endoscopic management of common bile duct stones: European Society of Gastrointestinal Endoscopy(ESGE) guideline[J]. Endoscopy, 2019, 51( 5): 472- 491. DOI: 10.1055/a-0862-0346. [2] ASGE Standards of Practice Committee, BUXBAUM JL, ABBAS FEHMI SM, et al. ASGE guideline on the role of endoscopy in the evaluation and management of choledocholithiasis[J]. Gastrointest Endosc, 2019, 89( 6): 1075- 1105. e 15. DOI: 10.1016/j.gie.2018.10.001. [3] group ERCP, Chinese Society of Digestive Endoscopology; group Biliopancreatic, Chinese Association of Gastroenterologist and hepatologist, National Clinical Research Center for Digestive Diseases. Chinese guidelines for ERCP(2018)[J]. J Clin Hepatol, 2018, 34( 12): 2537- 2554. DOI: 10.3969/j.issn.1001-5256.2018.12.009.中华医学会消化内镜学分会ERCP学组, 中国医师协会消化医师分会胆胰学组, 国家消化系统疾病临床医学研究中心. 中国经内镜逆行胰胆管造影术指南(2018版)[J]. 临床肝胆病杂志, 2018, 34( 12): 2537- 2554. DOI: 10.3969/j.issn.1001-5256.2018.12.009. [4] ASGE Standards of Practice Committee, CHANDRASEKHARA V, KHASHAB MA, et al. Adverse events associated with ERCP[J]. Gastrointest Endosc, 2017, 85( 1): 32- 47. DOI: 10.1016/j.gie.2016.06.051. [5] Endoscopic Surgery Group, Digestive Endoscopy Branch, Chinese Medical Association, Endoscopic Surgery Expert Working Group, Chinese College of Surgeons, Professional Committee of Pancreatic Disease, Chinese Medical Doctor Association, et al. Guideline for the management of complications of duodenal perforation associated with ERCP in China(2023 edition)[J]. Chin J Dig Surg, 2024, 23( 1): 1- 9. DOI: 10.3760/cma.j.cn115610-20231025-00166.中华医学会消化内镜学分会内镜外科学组, 中国医师协会外科医师分会内镜外科专家工作组, 中国医师协会胰腺病专业委员会, 等. 中国ERCP致十二指肠穿孔并发症管理指南(2023版)[J]. 中华消化外科杂志, 2024, 23( 1): 1- 9. DOI: 10.3760/cma.j.cn115610-20231025-00166. [6] FAN L, FU Y, LIU Y, et al. Research advances in hemorrhage after endoscopic retrograde cholangiopancreatography[J]. J Clin Hepatol, 2023, 39( 10): 2497- 2505. DOI: 10.3969/j.issn.1001-5256.2023.10.032.范玲, 傅燕, 刘懿, 等. 内镜逆行胰胆管造影术后出血的研究进展[J]. 临床肝胆病杂志, 2023, 39( 10): 2497- 2505. DOI: 10.3969/j.issn.1001-5256.2023.10.032. [7] KHAN OA, BALAJI S, BRANAGAN G, et al. Randomized clinical trial of routine on-table cholangiography during laparoscopic cholecystectomy[J]. Br J Surg, 2011, 98( 3): 362- 367. DOI: 10.1002/bjs.7356. [8] WANG GH, CHEN J, SHEN ZJ, et al. Establishing and evaluating a risk prediction model for colonoscopy bowel preparation failure based on automated machine learning[J]. China J Endosc, 2024, 30( 5): 36- 47. DOI: 10.12235/E20230422.王甘红, 陈健, 沈支佳, 等. 基于自动化机器学习建立结肠镜肠道准备失败风险预测模型及评价[J]. 中国内镜杂志, 2024, 30( 5): 36- 47. DOI: 10.12235/E20230422. [9] YAN WX, ZHANG PP, WANG WX, et al. Influencing factors of spontaneous passage of common bile duct stones in gallstones patients[J]. J Chin Pract Diagn Ther, 2023, 37( 10): 1025- 1027. DOI: 10.13507/j.issn.1674-3474.2023.10.011.阎文心, 张平平, 王万祥, 等. 胆总管结石合并胆囊结石患者胆总管自发排石的影响因素分析[J]. 中华实用诊断与治疗杂志, 2023, 37( 10): 1025- 1027. DOI: 10.13507/j.issn.1674-3474.2023.10.011. [10] XU ZW, MEI Q, HONG JL, et al. Application of endoscopic ultrasonography combined with ALP and GGT in the diagnosis of spontaneous migration of choledocholithiasis[J]. J Hepatobiliary Surg, 2023, 31( 2): 106- 110. DOI: 10.3969/j.issn.1006-4761.2023.02.010.徐张巍, 梅俏, 洪江龙, 等. 超声内镜联合ALP、GGT在诊断胆总管结石自发排石中的应用研究[J]. 肝胆外科杂志, 2023, 31( 2): 106- 110. DOI: 10.3969/j.issn.1006-4761.2023.02.010. [11] NOHARA Y, MATSUMOTO K, SOEJIMA H, et al. Explanation of machine learning models using shapley additive explanation and application for real data in hospital[J]. Comput Methods Programs Biomed, 2022, 214: 106584. DOI: 10.1016/j.cmpb.2021.106584. [12] FAHMY AS, CSECS I, ARAFATI A, et al. An explainable machine learning approach reveals prognostic significance of right ventricular dysfunction in nonischemic cardiomyopathy[J]. JACC Cardiovasc Imaging, 2022, 15( 5): 766- 779. DOI: 10.1016/j.jcmg.2021.11.029. [13] ANDREOZZI P, de NUCCI G, DEVANI M, et al. The high rate of spontaneous migration of small size common bile duct stones may allow a significant reduction in unnecessary ERCP and related complications: Results of a retrospective, multicenter study[J]. Surg Endosc, 2022, 36( 5): 3542- 3548. DOI: 10.1007/s00464-021-08676-8. [14] FROSSARD JL, HADENGUE A, AMOUYAL G, et al. Choledocholithiasis: A prospective study of spontaneous common bile duct stone migration[J]. Gastrointest Endosc, 2000, 51( 2): 175- 179. DOI: 10.1016/s0016-5107(00)70414-7. [15] HERBST MK, LI C, BLOMSTROM S. Point-of-care ultrasound assists diagnosis of spontaneously passed common bile duct stone[J]. J Emerg Med, 2021, 60( 4): 517- 519. DOI: 10.1016/j.jemermed.2020.11.008. [16] KHOURY T, ADILEH M, IMAM A, et al. Parameters suggesting spontaneous passage of stones from common bile duct: A retrospective study[J]. Can J Gastroenterol Hepatol, 2019, 2019: 5382708. DOI: 10.1155/2019/5382708. [17] JIANG L, LIU Z, YU JF, et al. On factors related to spontaneous passage of common bile duct stones leading to unnecessary endoscopic retrograde cholangiopancreatography[J]. Chin J Minim Invasive Surg, 2024, 24( 6): 409- 414. DOI: 10.3969/j.issn.1009-6604.2024.06.002.姜蕾, 刘振, 于剑锋, 等. 胆总管结石自然排石致非必要治疗性内镜下逆行胰胆管造影的影响因素[J]. 中国微创外科杂志, 2024, 24( 6): 409- 414. DOI: 10.3969/j.issn.1009-6604.2024.06.002. [18] LEFEMINE V, MORGAN RJ. Spontaneous passage of common bile duct stones in jaundiced patients[J]. Hepatobiliary Pancreat Dis Int, 2011, 10( 2): 209- 213. DOI: 10.1016/s1499-3872(11)60033-7. [19] ZHANG RF, YIN MY, JIANG AQ, et al. Automated machine learning for early prediction of acute kidney injury in acute pancreatitis[J]. BMC Med Inform Decis Mak, 2024, 24( 1): 16. DOI: 10.1186/s12911-024-02414-5. [20] LIU LJ, ZHANG RF, SHI DT, et al. Automated machine learning to predict the difficulty for endoscopic resection of gastric gastrointestinal stromal tumor[J]. Front Oncol, 2023, 13: 1190987. DOI: 10.3389/fonc.2023.1190987. [21] LIU LJ, ZHANG RF, SHI Y, et al. Automated machine learning for predicting liver metastasis in patients with gastrointestinal stromal tumor: A SEER-based analysis[J]. Sci Rep, 2024, 14( 1): 12415. DOI: 10.1038/s41598-024-62311-9. [22] MURPHREE DH, QUEST DJ, ALLEN RM, et al. Deploying predictive models in A healthcare environment-an open source approach[C]// 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society(EMBC). Honolulu, HI, USA, 2018: 6112- 6116. DOI: 10.1109/EMBC.2018.8513689. -
下载:
本文二维码
计量
- 文章访问数: 89
- HTML全文浏览量: 50
- PDF下载量: 14
- 被引次数: 0
