肝硬化伴自发性细菌性腹膜炎的诊断模型研究及验证

作者：向守书; 谈军涛; 文元久; 谭超; 龚军; 赵文龙^*

来源：第三军医大学学报, 2021, 43(20): 2226-2234.

DOI：10.16016/j.1000-5404.202104100

• 肝硬化
• 自发性细菌性腹膜炎
• 机器学习
• 诊断模型

目的筛选肝硬化伴自发性细菌性腹膜炎(spontaneous bacterial peritonitis, SBP)的影响因素,建立肝硬化伴SBP的诊断模型。方法收集重庆A、B两家三甲医院2015年7月至2019年12月肝硬化患者7 461例,根据患者住院期间是否发生SBP分为SBP组(1 173例)和非SBP组(6 288例)。随机抽取A院70%(3 776例)患者作为训练集,剩余30%(1 619例)作为内部验证集,B院患者(2 066例)作为外部验证集。通过单因素分析和Logistic回归分析筛选变量,建立Logistic回归、随机森林、决策树、XGBoost和优化Logistic回归模型。在内部验证和外部验证中,比较并验证模型对肝硬化伴SBP的诊断价值。结果机器学习算法均提示指标失代偿(OR=5.354,95%CI:3.770-7.803),淋巴细胞百分比(OR=0.951,95%CI:0.939-0.962)、总胆红素(OR=1.003,95%CI:1.002-1.004)、C反应蛋白是否异常(OR=1.626,95%CI:1.310-2.017)、国际标准化比值(OR=1.346,95%CI:1.091-1.681)、前白蛋白(OR=0.990,95%CI:0.987-0.993)、终末期肝病模型评分(model for end stage liver disease, MELD)(OR=1.038,95%CI:1.015-1.063)为显著性因素,优化Logistic内部验证的AUC为0.860,灵敏度0.872,特异度0.719;外部验证的AUC为0.818;灵敏度为0.662,特异度为0.812。经过delong test检测优化Logistic回归模型和其余模型的AUC差异无统计学意义。结论基于机器学习算法建立的肝硬化合并SBP风险预测模型具有较高的诊断价值,其中优化Logistic回归模型的诊断效能在内部验证和外部验证中均表现良好,可为临床诊断SBP提供参考。

• 单位
  重庆医科大学; 中国人民解放军陆军军医大学; 第三军医大学