预测肝硬化死亡率的简单机器学习模型的开发、验证和评价( Development, Validation, and Evaluation of a Simple Machine Learning Model to Predict Cirrhosis Mortality )

F Kanwal TJ Taylor JR Kramer Y Cao SM Asch

重要性：机器学习算法提供了比传统预后模型更好的预测准确性，但对于临床应用来说过于复杂和不透明。目的：比较不同的机器学习方法预测肝硬化总死亡率，并利用机器学习选择易于评分的临床变量建立新的肝硬化预后模型。设计、设置和参与者：这项预后研究使用了一个回顾性队列，从2011年10月1日到2015年9月30日，在国家退伍军人事务综合医疗保健系统的130家医院和附属流动诊所中看到的患有肝硬化或其并发症的成年患者。患者随访至2018年12月31日。数据分析时间为2017年10月1日至2020年5月31日。暴露：潜在的预测因素包括人口学特征；肝病病因、严重程度及并发症；保健资源的使用；共病条件；以及全面的实验室和药物治疗数据。随机选择患者进行模型开发（66.7%）和验证（33.3%）。评价了三种不同的统计和机器学习方法：梯度下降boosting、最小绝对收缩和选择算子(LASSO)正则化的logistic回归和LASSO约束选择不超过10个预测因子的logistic回归（部分路径模型）。在5倍交叉验证中评估了预测因子的包含和模型的性能。最后，用最大似然估计法（肝硬化死亡率模型[CiMM])对最节省的部分路径模型中确定的预测因子进行了修正，并将其预测性能与广泛应用的晚期肝病钠评分模型（MELD-Na）进行了比较。主要结果和措施：全因死亡率。结果：107939例肝硬化患者（平均年龄62.7[9.6]岁，96.6%为男性，66.3%为白人，18.4%为非裔美国人）的年死亡率为8.8%～15.3%。总计32.7%的患者在3年内死亡，46.2%的患者在指数日期后5年内死亡。预测1年死亡率的模型对梯度下降升压（受试者操作特性曲线下面积[AUC],0.81；95%CI,0.80-0.82)、拉索正则化logistic回归（AUC,0.78；95%CI,0.77-0.79)和部分路径logistic模型（AUC,0.78；95%CI,0.76-0.78)有较好的区分度。所有模型都显示出良好的校准性。使用机器学习衍生临床变量的最终CiMM模型提供了明显优于MELD-Na评分的区分度，对1年死亡率的AUCs分别为0.78(95%CI,0.77-0.79)和0.67(95%CI,0.66-0.68)（DeLong z=17.00；P<.001)。结论和相关性：在本研究中，简单的机器学习技术表现与更先进的集成梯度增强一样好。在肝硬化死亡率模型中，使用简单机器学习识别的临床变量，产生了一个比机器学习更透明、比MELD-Na评分更有预测性的新评分。

SciDown文献求助系统（解决99%问题） Public Download ResearchGate