Med-MIMIC，持续分享MIMIC临床生信文献与思路解读，捕捉当下热点思路，感兴趣的老师可以点点关注~需要定制化分析的老师欢迎扫码联系~
文章标题：Machine-learning-derived online prediction models of outcomes for patients with cholelithiasis-induced acute cholangitis: development and validation in two retrospective cohorts
中文标题：机器学习衍生的胆石症诱发急性胆管炎患者预后在线预测模型：两个回顾性队列的开发和验证
发表期刊：eClinicalMedicine
发表时间：2024年9月
影响因子：9.6/Q1
胆石症诱导的急性胆管炎 （CIAC） 是一种预后不良的急性炎症性疾病。尽管对 CIAC 预后危险因素的研究越来越深入，但目前还没有系统模型来整合这些危险因素并准确预测各种结局。
纳入与排除标准
纳入标准：根据国际疾病分类第 9 次修订版 （ICD-9） 同时满足“胆管炎”和“胆囊或胆管结石”诊断的患者，其诊断代码为“5761”和“574∗∗”（∗ 可以代表 0 到 9 之间的任何数字），或符合“胆管结石伴或不伴梗阻的急性胆管炎”的诊断， 根据国际疾病分类第 10 版修订版 （ICD-10） 在单次住院期间的诊断代码为“K8032、K8033、K8036、K8037”被考虑纳入。
排除标准：（1） 患者在入院后 24 小时内既未在急诊科收治，也未接受胆道引流;（2） 18 岁以下的患者;（3） 患者基本信息缺失或丢失 20% 以上。
研究终点
本研究集中在三个主要终点，包括院内死亡率、出院后 30 天内的再入院和出院后 180 天内的死亡率。
算法
模型构建共包括 9 种 ML 算法，即 Logistic 回归 （LR）、eXtreme Gradient Boosting （XGBoost）、Light Gradient Boosting Machine （LightGBM）、Adaptive Boosting （AdaBoost）、决策树、梯度提升决策树 （GBDT）、高斯朴素贝叶斯 （GNB）、多层感知器 （MLP） 和支持向量机 （SVM）。总共生成了 9 个插补数据集，分别对应于各种临床结果和患者治疗组，并将 9 个 ML 算法应用于每个数据集，每个数据集的结果单独总结。
结果分析
1. 基线特征
ICU 住院时间与所有 3 个主要结局的发生均呈显著相关性。住院期间入住 ICU 的患者与放置在标准病房环境中的那些相比，院内死亡和出院后 180 天内的死亡风险更高。然而，他们在出院后 30 天内再次入院的概率降低。
2. 功能选择
采用单变量 logistic 回归来仔细检查所有变量以及相关结果。在对所有患者进行综合分析后，发现 13 个关键变量对院内死亡率的发生影响最大。这些变量按显著性排序，包括总胆红素 （TBil）_min、白细胞 （WBC）_avg、TBil_avg、WBC_min、乳酸脱氢酶 （LD）_avg、红细胞分布宽度 （RDW）_max、Phosphate_max、RDW_avg、PTT_max、PTT_avg、ICU 住院时间、尿素nitrogen_avg和尿素nitrogen_min。
3. 模型性能比较
共使用了 9 个 ML 模型来预测 CIAC 所有的结果。考虑到模型的每个指标，XGBoost 被发现最擅长预测所有三种结果。在预测所有患者的院内死亡率时，XGBoost 模型具有最佳的判别性能。
4. XGBoost 模型的验证
为了进一步证明 XGBoost 的临床效用，我们选择了在根据患者分类预测各种临床结果的过程中，除 XGboost 之外具有最佳预测能力的 ML 模型。在预测所有患者的院内死亡时，在考虑了模型的各种指标后，Adaboost 被认为仅次于 XGboost。因此，它被用于进一步比较与 XGBoost 的临床疗效。
5. 模型的应用
我们开发了一系列在线平台，提供对针对 CIAC 患者分类和目标结果事件量身定制的 Web 工具的访问。通过将临床特征数据直接输入网页上的指定文本字段，用户可以方便地获得所需的预测结果。
文章小结
XGBoost 模型可能是预测 CIAC 患者预后的有前途的工具，并且具有良好的临床适用性。需要使用更大的样本量进行多中心验证。今天为大家分享的文章纯公共数据挖掘+统计分析，就发到了一区！如果你也想在临床方向发高分文章，不妨试试这个省钱省事又省力的思路吧！
