肿瘤相关急性胰腺炎的临床特征及机器学习预测模型构建

杜晨辉; 高玉倩; 张硕; 何铁英; 曹新岭

doi:10.12449/JCH260724

肿瘤相关急性胰腺炎的临床特征及机器学习预测模型构建

DOI: 10.12449/JCH260724

杜晨辉¹,
高玉倩¹,
张硕²,
何铁英¹,
曹新岭^{2, 3, , ,}

1.
新疆医科大学第一附属医院胰腺外科，乌鲁木齐 830054
2.
新疆医科大学第一附属医院腹腔镜外科，乌鲁木齐 830054
3.
省部共建中亚高发病成因与防治国家重点实验室，乌鲁木齐 830054

基金项目:

省部共建中亚高发病成因与防治国家重点实验室基金资助项目 (SKL-HIDCA-2023-26)

伦理学声明：本研究方案于2025年12月4日经由新疆医科大学第一附属医院审批通过，批号：20250422-10。

利益冲突声明：本文不存在任何利益冲突。

作者贡献声明：杜晨辉负责数据分析及文章撰写；高玉倩和张硕负责数据获取与分析；何铁英负责审阅文章；曹新岭负责修改和审阅文章。

详细信息

通信作者:
曹新岭， 17590083026@163.com （ORCID： 0009-0005-6543-4226）

计量
- 文章访问数: 4
- HTML全文浏览量: 0
- PDF下载量: 0
- 被引次数: 0
出版历程
- 收稿日期: 2025-12-22
- 录用日期: 2026-02-24
- 出版日期: 2026-07-25

Clinical features of tumor-induced acute pancreatitis and construction of a machine learning prediction model

1.
Department of Pancreatic Surgery，The First Affiliated Hospital of Xinjiang Medical University，Urumqi 830054，China
2.
Department of Laparoscopic Surgery，The First Affiliated Hospital of Xinjiang Medical University，Urumqi 830054，China
3.
State Key Laboratory of Causes and Prevention of High Morbidity in Central Asia，Urumqi 830054，China

Research funding:

State Key Laboratory of Pathogenesis, Prevention and Treatment of High Incidence Diseases in Central Asia（Co-construction by the Ministry and Province） (SKL-HIDCA-2023-26)

More Information

Corresponding author: Cao Xinling， 17590083026@163.com （ORCID： 0009-0005-6543-4226）

摘要

摘要: 目的分析肿瘤相关急性胰腺炎（TIAP）患者的临床特征，构建并验证TIAP预测模型，以辅助临床早期识别。方法回顾性收集2020年1月—2026年1月新疆医科大学第一附属医院收治的3 051例急性胰腺炎（AP）患者资料，其中TIAP患者72例（TIAP组），为减少类别不平衡，从非TIAP患者中（2 979例）按性别分层随机抽取216例作为常规组，并将TIAP组和常规组共288例患者按7∶3比例随机分为训练集（n=201）和测试集（n=87）。比较两组患者的一般资料及实验室指标差异。不符合正态分布的计量资料两组间比较采用Mann-Whitney U检验；计数资料两组间比较采用χ²检验。采用递归特征消除和最小绝对收缩与选择算子回归筛选特征变量，分别构建逻辑回归、随机森林、支持向量机、极端梯度提升及轻量梯度提升机模型。通过受试者操作特征曲线、精确率-召回率曲线评估模型性能，采用校准曲线评价模型拟合优度，应用决策曲线分析评价模型的临床实用性，并采用沙普利加性解释对模型进行可解释性分析。结果训练集和测试集中的TIAP患者分别有52例（25.9%）和20例（23.0%）。与常规组相比，TIAP组患者存在胰管扩张比例（χ²=79.474）更高，年龄（Z=-5.838）更大，白细胞计数（Z=5.630）、淀粉酶（Z=2.606）、血红蛋白（Z=5.038）、中性粒细胞百分比（Z=5.269）水平更低，差异均有统计学意义（P值均<0.05），直接胆红素（Z=0.936）水平有降低趋势，但未表现出统计学差异（P>0.05）。基于上述7个变量构建的5种机器学习模型均具有一定预测效能，其中逻辑回归模型在测试集中表现最佳，曲线下面积为0.893（95%置信区间：0.821～0.953），精确率-召回率曲线的平均精确率为0.654，校准度良好，决策曲线分析显示其具有较好的临床获益。结论基于胰管扩张、年龄、白细胞计数、淀粉酶、血红蛋白、中性粒细胞百分比和直接胆红素构建的TIAP预测模型有较良好的预测性能，可为TIAP的早期诊断提供重要策略指导。
- 急性胰腺炎 /
- 消化系统肿瘤 /
- 机器学习 /
- 模型，统计学
Abstract: Objective To investigate the clinical features of tumor-induced acute pancreatitis （TIAP）， to construct and validate a predictive model for TIAP， and to provide help for early identification in clinical practice. Methods A retrospective analysis was performed for the clinical data of 3 051 patients with acute pancreatitis （AP） who were admitted to The First Affiliated Hospital of Xinjiang Medical University from January 2020 to January 2026， among whom there were 72 patients with TIAP. To reduce class imbalance， 216 patients with non-tumor-related AP （2 979 patients） were randomly selected as conventional group using sex-stratified sampling， resulting in a cohort of 288 patients， and this cohort was randomly divided into a training set with 201 patients and a test set with 87 patients at a ratio of 7∶3. The two groups were compared in terms of general information and laboratory markers. The independent-samples t test was used for comparison of normally distributed continuous data between two groups， and the Mann-Whitney U test was used for comparison of non-normally distributed continuous data between two groups； the chi-square test was used for comparison of categorical data between two groups. Recursive feature elimination and least absolute shrinkage and selection operator regression were used for screening of characteristic variables， and five machine learning models were constructed， i.e.， logistic regression model， random forest model， support vector machine model， extreme gradient boosting model， and light gradient boosting machine model. The receiver operating characteristic curve and the precision-recall curve were used to assess model performance； the calibration curve was used to assess goodness of fit； decision curve analysis was used to evaluate clinical applicability and practicality； Shapley additive explanations were used to assess model interpretability. Results In the training set of 201 patients， there were 52 patients （25.9%） in the TIAP group， and in the test set of 87 patients， there were 20 patients （23.0%） in the TIAP group. Compared with the conventional group， the TIAP group had a significantly higher proportion of patients with pancreatic duct dilatation （χ²=79.474， P<0.05）， a significantly higher age （Z=-5.838， P<0.05）， and significantly lower levels of white blood cell count （Z=5.630， P<0.05）， amylase （Z=2.606， P<0.05）， hemoglobin （Z=5.038， P<0.05）， and neutrophil percentage （Z=5.269， P<0.05）， as well as a lower level of direct bilirubin （Z=0.936， P>0.05）. The five machine learning models constructed based on these seven variables had a certain predictive ability， among which the logistic regression model had the best performance in the test set， with an area under the curve of 0.893 （95% confidence interval： 0.821 — 0.953）， an average precision of 0.654 in the precision-recall curve， good calibration， and good clinical benefits based on the decision curve analysis. Conclusion The predictive model for TIAP based on pancreatic duct dilatation， age， white blood cell count， amylase， hemoglobin， neutrophil percentage， and direct bilirubin shows good predictive performance and can provide important guidance for the early diagnosis of TIAP.
- Pancreatitis /
- Digestive System Tumors /
- Machine Learning /
- Models， Statistical

HTML全文

注： a，递归特征消除，特征按照重要性进行前后排序，从第9个特征开始，后续特征的重要性逐渐减小；b，最小绝对收缩与选择算子算法的系数路径图与交叉验证图。

图 1 特征筛选结果

Figure 1. Feature selection results

下载: 全尺寸图片幻灯片

注： a，ROC曲线；b，精确率-召回率曲线。ROC曲线，受试者操作特征曲线；AUC，曲线下面积；RF，随机森林；LR，逻辑回归；XGBoost，极限梯度提升；LightGBM，轻量级梯度提升机；SVM，支持向量机；CI，置信区间。

图 2 5种机器学习模型在测试集上的ROC曲线和精确率-召回率曲线

Figure 2. ROC curves and precision-recall curves for five machine learning models on the test set

下载: 全尺寸图片幻灯片

注： a，SHAP 特征重要性汇总图，展示每个样本的SHAP值和特征值分布；b，平均SHAP值柱状图，展示整体特征重要性排序。SHAP，沙普利加性解释。

图 3 SHAP值的模型解释图

Figure 3. Model interpretation diagram of shapley additive explanations values

下载: 全尺寸图片幻灯片

注： a，校准曲线；b，决策曲线。

图 4 校准曲线与决策曲线分析

Figure 4. Calibration curve and decision curve analysis

下载: 全尺寸图片幻灯片

表 1 训练集与测试集临床资料的比较

Table 1. Comparison of clinical characteristics between the training and test sets

指标	测试集（n=87）	训练集（n=201）	统计值	P值
肿瘤［例（%）］			χ²=0.137	0.711
无	67（77.0）	149（74.1）
有	20（23.0）	52（25.9）
性别［例（%）］			χ²<0.001	0.999
女	37（42.5）	87（43.3）
男	50（57.5）	114（56.7）
吸烟史［例（%）］			χ²=0.054	0.817
无	60（69.0）	143（71.1）
有	27（31.0）	58（28.9）
饮酒史［例（%）］			χ²=1.573	0.210
无	57（65.5）	148（73.6）
有	30（34.5）	53（26.4）
2型糖尿病［例（%）］			χ²=0.379	0.538
无	68（78.2）	165（82.1）
有	19（21.8）	36（17.9）
胰腺炎反复病史［例（%）］			χ²=0.103	0.749
无	72（82.8）	171（85.1）
有	15（17.2）	30（14.9）
发热［例（%）］			χ²=0.474	0.491
无	75（86.2）	165（82.1）
有	12（13.8）	36（17.9）
严重程度［例（%）］			χ²=0.474	0.491
轻中度	75（86.2）	165（82.1）
重度	12（13.8）	36（17.9）
胆道结石［例（%）］			χ²<0.001	0.999
无	57（65.5）	131（65.2）
有	30（34.5）	70（34.8）
胰管扩张［例（%）］			χ²=0.264	0.608
无	71（81.6）	157（78.1）
有	16（18.4）	44（21.9）
胆管扩张［例（%）］			χ²=0.379	0.538
无	68（78.2）	165（82.1）
有	19（21.8）	36（17.9）
年龄（岁）	50.00（34.50～61.00）	50.00（38.00～61.00）	Z=-0.459	0.647
白细胞计数（×10⁹/L）	9.86（6.96～13.57）	9.82（6.47～13.15）	Z=0.393	0.695
中性粒细胞百分比（%）	77.40（67.60～84.45）	78.60（68.40～84.80）	Z=-0.253	0.801
血红蛋白（g/L）	140.00（121.50～155.00）	139.00（125.00～156.00）	Z=-0.466	0.613
淀粉酶（U/L）	182.43（86.16～537.32）	167.26（79.25～499.43）	Z=0.411	0.682
脂肪酶（U/L）	297.76（109.06～1 009.25）	303.86（66.62～1 514.50）	Z=0.196	0.845
血清钙（mmol/L）	2.23（2.10～2.30）	2.21（2.10～2.30）	Z=0.616	0.538
空腹血糖（mmol/L）	6.64（5.33～9.20）	6.70（5.30～9.36）	Z=-0.274	0.784
血肌酐（μmol/L）	58.90（50.34～72.28）	58.26（49.80～73.08）	Z=0.045	0.964
白蛋白（g/L）	41.81（37.73～45.72）	40.37（37.14～44.14）	Z=1.724	0.085
甘油三酯（mmol/L）	1.84（0.99～3.75）	1.65（1.05～5.45）	Z=-0.032	0.975
总胆固醇（mmol/L）	4.56（3.42～5.84）	4.54（3.71～6.04）	Z=-0.677	0.499
总胆红素（μmol/L）	21.88（15.62～39.20）	22.09（15.28～35.78）	Z=0.079	0.937
直接胆红素（μmol/L）	8.29（5.58～13.14）	9.55（6.33～17.79）	Z=-1.051	0.294
间接胆红素（μmol/L）	12.45（8.23～21.84）	12.66（8.29～20.14）	Z=0.136	0.893
天冬氨酸氨基转移酶（U/L）	35.33（24.82～73.37）	37.40（27.01～80.92）	Z=-0.837	0.403
丙氨酸氨基转移酶（U/L）	31.40（21.00～58.23）	33.04（20.00～95.00）	Z=-0.725	0.469
碱性磷酸酶（U/L）	93.44（71.55～136.61）	98.92（74.03～151.13）	Z=-0.510	0.610
降钙素原（ng/L）	0.09（0.05～0.20）	0.11（0.04～0.28）	Z=-0.559	0.576
白细胞介素6（pg/L）	24.90（7.15～65.03）	22.70（7.67～69.64）	Z=-0.301	0.764

下载: 导出CSV

表 2 肿瘤相关急性胰腺炎组与常规组临床资料的比较

Table 2. Comparison of clinical characteristics between the tumor-induced acute pancreatitis group and the conventional group

指标	常规组（n=216）	TIAP组（n=72）	统计值	P值
性别［例（%）］			χ²<0.001	0.999
女	93 （43.1）	31 （43.1）
男	123 （56.9）	41 （56.9）
吸烟史［例（%）］			χ²=0.139	0.709
无	154 （71.3）	49 （68.1）
有	62 （28.7）	23 （31.9）
饮酒史［例（%）］			χ²=0.683	0.409
无	157 （72.7）	48 （66.7）
有	59 （27.3）	24 （33.3）
2型糖尿病［例（%）］			χ²=11.394	0.001
无	185 （85.6）	48 （66.7）
有	31 （14.4）	24 （33.3）
胰腺炎反复病史［例（%）］			χ²=12.019	0.001
无	192 （88.9）	51 （70.8）
有	24 （11.1）	21 （29.2）
发热［例（%）］			χ²=0.300	0.584
无	178 （82.4）	62 （86.1）
有	38 （17.6）	10 （13.9）
严重程度［例（%）］			χ²=2.700	0.100
轻中度	175 （81.0）	65 （90.3）
重度	41 （19.0）	7 （9.7）
胆道结石［例（%）］			χ²=3.452	0.063
无	134 （62.0）	54 （75.0）
有	82 （38.0）	18 （25.0）
胰管扩张［例（%）］			χ²=79.474	<0.001
无	201 （93.1）	32 （44.4）
有	15 （6.9）	40 （55.6）
胆管扩张［例（%）］			χ²=26.077	<0.001
无	190 （88.0）	43 （59.7）
有	26 （12.0）	29 （40.3）
年龄（岁）	45.00 （35.00～56.25）	59.00 （51.75～68.00）	Z=-5.838	<0.001
白细胞计数（×10⁹/L）	11.09 （7.67～13.85）	6.88 （5.25～8.94）	Z=5.630	<0.001
中性粒细胞百分比（%）	80.75 （72.75～85.43）	69.90 （60.83～77.88）	Z=5.269	<0.001
血红蛋白（g/L）	145.00 （128.00～161.00）	132.00 （115.00～139.50）	Z=5.038	<0.001
淀粉酶（U/L）	182.91 （84.47～661.49）	156.09 （67.97～269.71）	Z=2.606	0.009
脂肪酶（U/L）	330.16 （78.89～1 567.87）	192.43 （51.91～891.95）	Z=2.047	0.041
血清钙（mmol/L）	2.21 （2.10～2.30）	2.22 （2.11～2.30）	Z=-0.011	0.992
空腹血糖（mmol/L）	6.83 （5.32～9.94）	6.33 （5.20～8.15）	Z=1.299	0.194
血肌酐（μmol/L）	59.61 （50.65～73.08）	56.74 （48.18～71.06）	Z=0.938	0.349
白蛋白（g/L）	41.87 （38.16～45.46）	38.60 （33.30～41.07）	Z=4.981	<0.001
甘油三酯（mmol/L）	1.85 （1.06～6.96）	1.39 （0.98～2.12）	Z=2.975	0.003
总胆固醇（mmol/L）	4.87 （3.83～6.30）	3.88 （3.26～4.76）	Z=4.681	<0.001
总胆红素（μmol/L）	22.64 （16.03～35.51）	18.63 （13.68～47.90）	Z=0.662	0.509
直接胆红素（μmol/L）	9.83 （6.40～14.89）	7.40 （4.91～33.77）	Z=0.936	0.350
间接胆红素（μmol/L）	12.74 （8.33～20.06）	12.05 （8.04～21.77）	Z=0.137	0.891
天冬氨酸氨基转移酶（U/L）	37.71 （26.68～76.54）	33.88 （25.30～83.22）	Z=0.600	0.549
丙氨酸氨基转移酶（U/L）	32.64 （20.00～95.00）	31.68 （20.91～59.34）	Z=0.827	0.409
碱性磷酸酶（U/L）	96.73 （73.50～135.01）	103.83 （73.46～251.30）	Z=-1.668	0.095
降钙素原（ng/L）	0.11 （0.04～0.26）	0.09 （0.04～0.21）	Z=0.832	0.405
白细胞介素6（pg/L）	30.38 （8.96～80.60）	10.85 （4.82～28.16）	Z=3.604	<0.001

下载: 导出CSV

表 3 5种机器学习算法性能的比较

Table 3. Performance comparison of five machine learning algorithms

项目	准确度	敏感度	特异度	阳性预测值	阴性预测值	F1分数	Kappa分数
训练集
RF	1.00	1.00	1.00	1.00	1.00	1.00	1.00
RF	0.86	0.62	0.95	0.80	0.88	0.70	0.61
LR	0.86	0.62	0.95	0.80	0.88	0.70	0.61
XGBoost	1.00	0.98	1.00	1.00	0.99	0.99	0.99
LightGBM	1.00	1.00	1.00	1.00	1.00	1.00	1.00
SVM	0.80	0.27	0.98	0.82	0.79	0.41	0.32
测试集
RF	0.80	0.60	0.87	0.57	0.88	0.59	0.46
RF	0.83	0.60	0.90	0.63	0.88	0.62	0.50
LR	0.83	0.60	0.90	0.63	0.88	0.62	0.50
XGBoost	0.82	0.65	0.87	0.59	0.89	0.62	0.50
LightGBM	0.83	0.65	0.88	0.62	0.89	0.63	0.52
SVM	0.78	0.30	0.93	0.55	0.82	0.39	0.27
注：RF，随机森林；LR，逻辑回归；XGBoost，极限梯度提升；LightGBM，轻量级梯度提升机；SVM，支持向量机。

下载: 导出CSV

参考文献(23)

[1]	Li T Y, Qin C, Zhao B B, et al. Global and regional burden of pancreatitis: Epidemiological trends, risk factors, and projections to 2050 from the global burden of disease study 2021[J]. BMC Gastroenterol, 2024, 24( 1): 398. DOI: 10.1186/s12876-024-03481-8.
[2]	Qu Yuanxu, Cao Feng, Ding Yixuan, et al. Clinical characteristics and prognosis of acute pancreatitis with different etiologies[J]. Chin J Dig Surg, 2025, 24( 5): 623- 629. DOI: 10.3760/cma.j.cn115610-20250305-00086. 曲元旭, 曹锋, 丁乙轩, 等. 不同病因急性胰腺炎的临床特征及预后情况[J]. 中华消化外科杂志, 2025, 24( 5): 623- 629. DOI: 10.3760/cma.j.cn115610-20250305-00086.
[3]	Chinese Pancreatic Surgery Association, Chinese Society of Surgery, Chinese Medical Association. Guidelines for diagnosis and treatment of acute pancreatitis in China(2021)[J]. Chin J Surg, 2021, 59( 7): 578- 587. DOI: 10.3760/cma.j.cn112139-20210416-00172. 中华医学会外科学分会胰腺外科学组. 中国急性胰腺炎诊治指南(2021)[J]. 中华外科杂志, 2021, 59( 7): 578- 587. DOI: 10.3760/cma.j.cn112139-20210416-00172.
[4]	Feng Q, Li C, Zhang S, et al. Recurrence and survival after surgery for pancreatic cancer with or without acute pancreatitis[J]. World J Gastroenterol, 2019, 25( 39): 6006- 6015. DOI: 10.3748/wjg.v25.i39.6006.
[5]	Pitlick M M, Abeykoon J P, Dao L, et al. Non-Hodgkin lymphoma presenting as acute pancreatitis: A rare occurrence[J]. Clin Case Rep, 2018, 7( 1): 107- 109. DOI: 10.1002/ccr3.1885.
[6]	Tanaka H, Nakazawa T, Yoshida M, et al. Metastasis-induced acute pancreatitis in a patient with small cell carcinoma of the lungs[J]. JOP, 2009, 10( 5): 557- 561.
[7]	Dixon J M, Chapman R W, Berry A R. Carcinoid tumour of the Ampulla of Vater presenting as acute pancreatitis[J]. Gut, 1987, 28( 10): 1296- 1297. DOI: 10.1136/gut.28.10.1296.
[8]	Cuocolo R, Caruso M, Perillo T, et al. Machine learning in oncology: A clinical appraisal[J]. Cancer Lett, 2020, 481: 55- 62. DOI: 10.1016/j.canlet.2020.03.032.
[9]	Chung H, Ko Y, Lee I S, et al. Prognostic artificial intelligence model to predict 5 year survival at 1 year after gastric cancer surgery based on nutrition and body morphometry[J]. J Cachexia Sarcopenia Muscle, 2023, 14( 2): 847- 859. DOI: 10.1002/jcsm.13176.
[10]	Yin Minyue, Zhu Jinzhou, Liu Lu, et al. Research advances in machine learning models for acute pancreatitis[J]. J Clin Hepatol, 2023, 39( 12): 2978- 2984. DOI: 10.3969/j.issn.1001-5256.2023.12.034. 殷民月, 朱锦舟, 刘璐, 等. 急性胰腺炎机器学习模型的研究进展[J]. 临床肝胆病杂志, 2023, 39( 12): 2978- 2984. DOI: 10.3969/j.issn.1001-5256.2023.12.034.
[11]	Liang Tan, Chen Zixiang, Chen Jiangming, et al. Application and prospect of artificial intelligence in the whole-process management of pancreatic cancer[J]. Chin J Dig Surg, 2024, 23( 11): 1459- 1464. DOI: 10.3760/cma.j.cn115610-20241028-00471. 梁谭, 陈子祥, 陈江明, 等. 人工智能在胰腺癌全程化管理中的应用及展望[J]. 中华消化外科杂志, 2024, 23( 11): 1459- 1464. DOI: 10.3760/cma.j.cn115610-20241028-00471.
[12]	Ko S E, Choi I Y, Cha S H, et al. Clinical and radiologic characteristics of pancreatic head carcinoma without main pancreatic duct dilatation: Using dual-phase contrast-enhanced CT scan[J]. Clin Imag, 2016, 40( 3): 548- 552. DOI: 10.1016/j.clinimag.2015.10.008.
[13]	Rizvi A, Sethi A, Poneros J, et al. Does incidentally detected common bile duct dilation need evaluation?[J]. Cleve Clin J Med, 2022, 89( 6): 315- 319. DOI: 10.3949/ccjm.89a.21029.
[14]	Ren L J, Wang T, Sekhari Seklouli A, et al. A review on missing values for main challenges and methods[J]. Inf Syst, 2023, 119: 102268. DOI: 10.1016/j.is.2023.102268.
[15]	Tenner S, Vege S S, Sheth S G, et al. American college of gastroenterology guidelines: Management of acute pancreatitis[J]. Am J Gastroenterol, 2024, 119( 3): 419- 437. DOI: 10.14309/ajg.0000000000002645.
[16]	Mujica V R, Barkin J S, Go V L. Acute pancreatitis secondary to pancreatic carcinoma[J]. Pancreas, 2000, 21( 4): 329- 332. DOI: 10.1097/00006676-200011000-00001.
[17]	Li J, Zhou R, Zhang J, et al. Calcium signaling of pancreatic acinar cells in the pathogenesis of pancreatitis[J]. World J Gastroenterol, 2014, 20( 43): 16146- 16152. DOI: 10.3748/wjg.v20.i43.16146.
[18]	Canakis A, Baron T H. The role of underlying pancreatic ductal obstruction and risk of post-ERCP pancreatitis[J]. Gastrointest Endosc, 2025, 101( 3): 694. DOI: 10.1016/j.gie.2024.09.033.
[19]	Shi J Q, Nie S, Shi Z, et al. Clinical characteristics of pancreatic cancer presenting with acute pancreatitis: A propensity-matched cohort study[J]. Surg Endosc, 2025, 39( 5): 3307- 3316. DOI: 10.1007/s00464-025-11654-z.
[20]	Xiong Y Y, Zhao Y, Han X L, et al. Clinical characteristics and outcome of tumor-associated acute pancreatitis: A single-center cohort study[J]. Ann Transl Med, 2021, 9( 8): 639. DOI: 10.21037/atm-20-7196.
[21]	Ren Xia, Ye Ye, Liu Luojie, et al. Establishment of a nomogram prediction model for poor prognosis of acute pancreatitis based on inflammatory factors, lung ultrasound, and CT scores[J]. J Clin Hepatol, 2025, 41( 4): 713- 721. DOI: 10.12449/JCH250417. 任夏, 叶叶, 刘罗杰, 等. 基于炎症因子、肺超声和CT评分系统的急性胰腺炎预后不良列线图预测模型的构建[J]. 临床肝胆病杂志, 2025, 41( 4): 713- 721. DOI: 10.12449/JCH250417.
[22]	Cho J H, Choi J S, Hwang E T, et al. Usefulness of scheduled follow-up CT in discharged patients with acute pancreatitis[J]. Pancreatology, 2015, 15( 6): 642- 646. DOI: 10.1016/j.pan.2015.09.004.
[23]	Zhang Huimin, Jin Meng, Qian Jiaming, et al. Differential diagnosis between pancreatic cancer with acute pancreatitis and simple acute pancreatitis cancer[J]. Chin J Pract Intern Med, 2017, 37( 2): 145- 147. DOI: 10.19538/j.nk2017020114. 张慧敏, 金梦, 钱家鸣, 等. 胰腺癌合并急性胰腺炎和单纯急性胰腺炎诊断分析[J]. 中国实用内科杂志, 2017, 37( 2): 145- 147. DOI: 10.19538/j.nk2017020114.