机器学习模型在预测肾结石输尿管软镜碎石术后早期结石清除率中的应用

作者：朱学华; 杨明钰; 夏海缀; 何为; 张智荧; 刘余庆^*; 肖春雷^*; 马潞林; 卢剑

来源：北京大学学报(医学版), 2019, 51(04): 653-659.

DOI：10.19723/j.issn.1671-167X.2019.04.010

• 机器学习
• 随机森林
• XGBoost
• 肾结石
• 结石清除率
• 预测模型

目的:基于随机森林和XGBoost两种机器学习算法建立预测模型,探讨其对肾结石患者行输尿管软镜碎石术(flexible ureteroscopic lithotripsy,f URL)后早期结石清除率(stone-free rate,SFR)的预测价值。方法:回顾性分析201例行f URL的肾结石患者的临床资料,根据术后是否达到结石清除标准,将患者分为结石清除组和结石残留组。比较两组患者年龄、体重指数(body mass index,BMI)、结石数目、结石体积、结石密度和肾积水等因素的差异。对于肾下盏结石,需测量肾脏解剖相关指标,包括肾盂漏斗部夹角、肾下盏宽度、肾下盏长度及肾盂肾下盏高度。将上述潜在影响因素分别纳入随机森林和XGBoost算法建立预测模型,绘制受试者工作曲线,检验模型预测价值。前瞻性收集71例患者的临床资料对模型进行外部验证。结果:201例f URL手术均顺利完成,一期手术早期SFR为61.2%。利用随机森林和XGBoost算法建立预测模型并得到不同变量预测重要性评分,随机森林模型和XGBoost模型曲线下面积均为0.77。应用71例样本对模型进行外部验证结果显示,随机森林模型对检测样本的预测总准确率、特异度及灵敏度分别为74.6%、82.6%和60.0%,XGBoost模型对检测样本的预测总准确率、特异度及灵敏度分别为80.3%、87.0%和68.0%。在两种模型中,预测重要性评分排名前四位的变量均为结石体积、平均结石密度、最大结石密度和BMI。结论:基于随机森林和XGBoost算法建立的机器学习模型可准确预测肾结石患者f URL术后早期结石清除状态,有利于术前评估及临床决策。结石体积、平均结石密度、最大结石密度和BMI可能是影响肾结石f URL术后SFR的重要预测因素。

• 单位
  北京大学第三医院