切换至 "中华医学电子期刊资源库"
高级检索
中华消化病与影像杂志(电子版)

中华消化病与影像杂志(电子版) ›› 2022, Vol. 12 ›› Issue (01) : 4 -10. doi: 10.3877/cma.j.issn.2095-2015.2022.01.002

论著

基于机器学习算法的肝硬化患者经颈静脉肝内门体分流术后临床结局预测
黄婷萍1, 王广川2, 黄广军2, 张春清2,†()   
  1. 1. 250021　济南，山东大学齐鲁医学院附属山东省立医院消化内科
    2. 250021　济南，山东大学齐鲁医学院附属山东省立医院消化内科；250021　济南，山东第一医科大学附属山东省立医院消化内科
  • 收稿日期:2021-08-13 出版日期:2022-02-01
  • 通信作者: 张春清
  • 基金资助:
    国家自然科学基金委员会(课题编号：81970533)

Prediction of different clinical outcomes in patients with cirrhosis after TIPS based on machine learning algorithm

Tingping Huang1, Guangchuan Wang2, Guangjun Huang2, Chunqing Zhang2,†()   

  1. 1. Department of Gastroenterology, Shandong Provincial Hospital, Cheeloo College of Medicine, Shandong University, Jinan 250021, China
    2. Department of Gastroenterology, Shandong Provincial Hospital, Cheeloo College of Medicine, Shandong University, Jinan 250021, China; Department of Gastroenterology, Shandong Provincial Hospital Affiliated to Shandong First Medical University, Jinan 250021, China
  • Received:2021-08-13 Published:2022-02-01
  • Corresponding author: Chunqing Zhang
全文 ( ) 下载PDF ( ) 导出引用
引用本文：

黄婷萍, 王广川, 黄广军, 张春清. 基于机器学习算法的肝硬化患者经颈静脉肝内门体分流术后临床结局预测[J]. 中华消化病与影像杂志(电子版), 2022, 12(01): 4-10.

Tingping Huang, Guangchuan Wang, Guangjun Huang, Chunqing Zhang. Prediction of different clinical outcomes in patients with cirrhosis after TIPS based on machine learning algorithm[J]. Chinese Journal of Digestion and Medical Imageology(Electronic Edition), 2022, 12(01): 4-10.

目的

探讨机器学习对于经颈静脉肝内门体分流术(TIPS)的肝硬化患者预后的临床预测价值。

方法

本研究共纳入山东大学附属山东省立医院2016年1月至2019年12月收治的53例肝硬化患者，分别收集术前及术后临床变量68项，以术后出血、肝性脑病、肝病相关死亡、分流道失功能分别作为独立结局。使用逻辑回归筛选对结局有显著影响的临床变量，分别构建相应的支持向量机(SVM)模型，同时构建沙普利可加性特征解释方法(SHAP)模型进行解释分析。

结果

术后出血SVM模型，准确率0.75，召回率1.00，曲线下面积(AUC)＝0.81；肝性脑病SVM模型，准确率0.75，召回率0.67，AUC＝0.77；肝病相关死亡SVM模型，准确率0.88，召回率1.00，AUC＝0.87；分流道失功能SVM模型，准确率0.94，召回率0.67，AUC＝0.87。构建的四个模型中纳入变量SHAP值最高的依次为服用利尿剂、服用益生菌、术前门静脉压力值和终末期肝病模型(MELD)评分。

结论

机器学习在肝硬化TIPS术后不同临床结局的预测中有较好的实用价值，可辅助临床医生预测此类患者术后状况，早期进行有效干预。

关键词: 肝硬化, 经颈静脉肝内门体分流术, 机器学习, 临床结局
Objective

To investigate the clinical predictive value of machine learning in patients with cirrhosis undergoing transjugular intrahepatic portal shunt(TIPS).

Methods

A total of 53 cirrhosis patients admitted to Shandong Provincial Hospital Affiliated to Shandong University from January 2016 to December 2019 were included in this study.Sixty-eight preoperative and postoperative clinical variables were collected, and postoperative bleeding, hepatic encephalopathy, liver disease-related death and shunt disfunction were used as independent outcomes, respectively.Logistic regression was used to select clinical variables that had significant influence on the outcome.Corresponding support vector machine(SVM)models were constructed and Shapley Additive explanation(SHAP)model was constructed for interpretation and analysis.

Results

The accuracy, recall rate and area under the curve(AUC)of the SVM model for postoperative bleeding were 0.75, 1.00 and 0.81, respectively.The three parameters for hepatic encephalopathy were 0.75, 0.67 and 0.77, respectively.The three parameters for liver disease-related death were 0.88, 1.00 and 0.87, respectively.The three parameters for shunt disfunction were 0.94, 0.67 and 0.87, respectively.Among the four constructed models, the highest SHAP values of included variables were diuretics, probiotics, preoperative portal venous pressure and end-stage liver disease model(MELD)score.

Conclusion

Machine learning has good practical value in predicting different clinical outcomes after TIPS for liver cirrhosis patients, which can assist clinicians to predict the postoperative status of such patients and carry out effective intervention at an early stage.

Key words: Liver cirrhosis, Transjugular intrahepatic portal shunt, Machine learning, Clinical outcome
图1 流程图
表1 患者基线资料(n＝53)
研究指标 统计值
年龄(岁，±s) 47.0±8.4
男[例(%)] 39(73.6)
病因[例(%)]  
  乙型肝炎 29(54.7)
  丙型肝炎 1(1.9)
  酒精性 3(5.7)
  自身免疫性 5(9.4)
  隐源性 15(28.3)
糖尿病史[例(%)] 8(15.1)
高血压病史[例(%)] 7(13.2)
胆囊疾病史[例(%)] 10(18.9)
肝囊肿病史[例(%)] 12(22.6)
脾切除或脾栓塞[例(%)] 7(13.2)
门静脉血栓[例(%)] 21(39.6)
腹水评分  
  无[例(%)] 21(39.6)
  少量[例(%)] 11(20.8)
  中至大量[例(%)] 21(39.6)
静脉曲张类型  
  食管[例(%)] 12(22.6)
  食管胃底[例(%)] 41(77.4)
术前有出血史[例(%)] 48(90.6)
术前行内镜治疗[例(%)] 13(24.5)
术前肝静脉压力梯度(mmHg，±s) 14.1±4.8
术前门静脉压力(mmHg，±s) 28.4±5.2
术后门静脉压力(mmHg，±s) 18.4±5.1
门静脉压力下降值(mmHg，±s) 9.7±3.8
门静脉压力下降幅度(%，±s) 33.7±12.3
支架位置  
  肝静脉至门静脉左支[例(%)] 3(5.7)
  肝静脉至门静脉右支[例(%)] 7(13.2)
  肝静脉至门静脉主干[例(%)] 43(81.1)
支架直径  
  8 mm[例(%)] 36(67.9)
  10 mm[例(%)] 1(1.9)
  8 mm和10 mm[例(%)] 7(13.2)
  7 mm[例(%)] 2(3.8)
  8 mm和7 mm[例(%)] 7(13.2)
支架类型  
  覆膜[例(%)] 21(39.6)
  裸支架[例(%)] 2(3.8)
  裸支架+覆膜[例(%)] 30(56.6)
支架数量  
  1个[例(%)] 23(43.4)
  2个[例(%)] 30(56.6)
术后抗凝方案  
  单独齐征[例(%)] 13(24.5)
  齐征和拜阿司匹林[例(%)] 26(49.1)
  齐征和拜瑞妥[例(%)] 11(20.7)
  齐征和华法林[例(%)] 3(5.7)
服用益生菌[例(%)] 12(22.6)
服用利尿剂[例(%)] 20(37.7)
预防性使用抗生素[例(%)] 39(73.6)
术前谷草转氨酶[U/L, M(Q1，Q3)] 28.0(22.0，36.0)
术前谷丙转氨酶[U/L, M(Q1，Q3)] 20.0(15.0，25.0)
术前谷氨酰转肽酶[U/L, M(Q1，Q3)] 25.0(17.0，42.0)
术前碱性磷酸酶[U/L, M(Q1，Q3)] 86.0(66.0，117.0)
术前白蛋白(g/L，±s) 33.0±5.3
术前总胆红素[μmol/L, M(Q1，Q3)] 17.2(14.2，25.2)
术前直接胆红素[μmol/L, M(Q1，Q3)] 4.2(3.0，5.8)
术前总胆固醇[mmol/L, M(Q1，Q3)] 3.3(2.5，3.9)
术前高密度脂蛋白胆固醇[mmol/L, M(Q1，Q3)] 0.9(0.6，1.4)
术前低密度脂蛋白胆固醇[mmol/L, M(Q1，Q3)] 1.7(1.3，2.3)
术前甘油三酯[mmol/L, M(Q1，Q3)] 0.7(0.5，1.0)
术前尿素氮[mmol/L, M(Q1，Q3)] 5.2(4.2，6.4)
术前肌酐[μmol/L, M(Q1，Q3)] 64.1(53.9，71.5)
术前肾小球滤过率(±s) 106.9±15.9
术前血钾[mmol/L, M(Q1，Q3)] 3.8(3.7，4.0)
术前血钠(mmol/L，±s) 139.5±3.5
术前凝血酶原时间[s, M(Q1，Q3)] 14.5(13.5，16.5)
术前国际标准化比值[INR, M(Q1，Q3)] 1.2(1.1，1.4)
术前白细胞计数[×109/L, M(Q1，Q3)] 2.4(1.7，4.5)
术前血红蛋白(g/L，±s)) 78.7±22.0
术前血小板计数[×109/L, M(Q1，Q3)] 72.0(59.0，107.5)
术前Child-pugh评分M(Q1，Q3) 7.0(5.5，8.0)
术前Child-pugh分级  
  A [例(%)] 20(37.7)
  B [例(%)] 33(62.3)
术前MELD评分M(Q1，Q3) 10.0(8.5，11.0)
术前MELD-Na评分M(Q1，Q3) 10.0(9.0，11.2)
术后谷草转氨酶[U/L, M(Q1，Q3)] 80.0(31.5，131.1)
术后谷丙转氨酶[U/L, M(Q1，Q3)] 79.0(24.5，91.8)
术后谷氨酰转肽酶[U/L, M(Q1，Q3)] 23.0(18.2，41.5)
术后碱性磷酸酶[U/L, M(Q1，Q3)] 61.1(56.3，100.0)
术后白蛋白[g/L, M(Q1，Q3)] 25.6(25.2，31.7)
术后总胆红素[μmol/L，M(Q1，Q3)] 18.7(16.9，29.4)
术后直接胆红素[μmol/L, M(Q1，Q3)] 5.3(4.2，6.9)
术后尿素氮[mmol/L，M(Q1，Q3)] 3.1(3.0，3.7)
术后肌酐[μmol/L, M(Q1，Q3)] 48.0(45.3，51.7)
术后肾小球滤过率M(Q1，Q3)] 81.2(77.8，107.0)
术后血钾[mmol/L, M(Q1，Q3)] 3.2(3.1，3.8)
术后血钠[mmol/L, M(Q1，Q3)] 137.0(136.6，138.5)
术后凝血酶原时间[s, M(Q1，Q3)] 14.2(13.9，15.5)
术后国际标准化比值[INR, M(Q1，Q3)] 1.2(1.1，1.3)
术后白细胞计数[×109/L, M(Q1，Q3)] 2.6(2.2，4.9)
术后血红蛋白[g/L, M(Q1，Q3)] 74.0(66.7，85.0)
术后血小板计数[×109/L, M(Q1，Q3)] 53.0(45.2，80.5)
表2 患者基线资料及相关逻辑回归显著性(n＝53)
研究指标 统计值 逻辑回归显著性
出血 肝性脑病 肝病相关死亡 分流道失功能
糖尿病史[例(%)] 8(15.1) 0.276 0.819 0.001 0.747
肝囊肿病史[例(%)] 12(22.6) 0.574 0.958 0.907 0.036
术前门静脉压力(mmHg) 28.4±5.2 0.492 0.332 0.029 0.624
支架直径[例(%)]          
  8 mm 36(67.9) 0.259 0.910 0.166 0.005
  10 mm 1(1.9) 0.062 0.631 0.773 0.160
  8 mm和10 mm 7(13.2) 0.687 0.469 0.469 0.002
  7 mm 2(3.8) 0.346 0.746 0.021 0.359
  8 mm和7 mm 7(13.2) 0.687 0.625 0.417 0.045
服用益生菌[例(%)] 12(22.6) 0.824 0.033 0.174 0.036
服用利尿剂[例(%)] 20(37.7) 0.017 0.470 0.585 0.390
术前碱性磷酸酶(U/L) 86.0(66.0，117.0) 0.018 0.836 0.684 0.962
术前总胆红素(μmol/L) 17.2(14.2，25.2) 0.025 0.393 0.765 0.919
术前甘油三酯(mmol/L) 0.7(0.5，1.0) 0.010 0.027 0.674 0.057
术前尿素氮(mmol/L) 5.2(4.2，6.4) 0.469 0.420 0.001 0.032
术前肌酐(μmol/L) 64.1(53.9，71.5) 0.085 0.049 0.041 0.113
术前肾小球滤过率 106.9±15.9 0.300 0.453 0.002 0.894
术前MELD评分 10.0(8.5，11.0) 0.144 0.957 0.387 0.021
术前MELD-Na评分 10.0(9.0，11.2) 0.487 0.768 0.099 0.039
术后谷丙转氨酶(U/L) 79.0(24.5，91.8) 0.358 0.827 0.540 0.026
术后血钾(mmol/L) 3.2(3.1，3.8) 0.172 0.480 0.193 0.011
表3 四种支持向量机模型参数及评价指标
模型结局 核函数 C值 结局比重 准确率 召回率 AUC值
出血 线性 1.23 1∶5.14 0.75 1.00 0.81
肝性脑病 线性 3.68 1∶2.67 0.75 0.67 0.77
肝病相关死亡 线性 0.01 1∶14.45 0.88 1.00 0.87
分流道失功能 线性 0.62 1∶1.00 0.94 0.67 0.87
图2 出血预测模型
图3 肝性脑病预测模型
图4 肝病相关死亡预测模型
图5 分流道失功能预测模型
1
周志华．机器学习[M]．北京：清华大学出版社，2016.
2
SHI S,，LEI G,，YANG L，et al.Using Machine Learning to Predict Postoperative Liver Dysfunction After Aortic Arch Surgery [J]．J Cardiothorac Vasc Anesth，2021，35(8)：2330-2335.
3
HANDELMAN G,，KOK H,，CHANDRA R，et al.eDoctor：machine learning and the future of medicine [J]．J Intern Med，2018，284(6)：603-619.
4
WANG M,，PANG Z,，WANG Y，et al.An Immune Model to Predict Prognosis of Breast Cancer Patients Receiving Neoadjuvant Chemotherapy Based on Support Vector Machine [J]．Front Oncol，2021，11：651809.
5
XU L,，YANG P,，LIANG W，et al.A radiomics approach based on support vector machine using MR images for preoperative lymph node status evaluation in intrahepatic cholangiocarcinoma [J]．Theranostics，2019，9(18)：5374-5385.
6
中华医学会肝病学分会．肝硬化诊治指南[J]．中华肝脏病杂志，2019，27(11)：846-865.
7
李强，衣杨，吴忠道，等．基于机器学习的肠道菌群数据建模与分析研究综述[J]．微生物学通报，2021，48(1)：180-196.
8
GARCíA-PAGáN J,，SALMERóN J,，FEU F，et al.Effects of low-sodium diet and spironolactone on portal pressure in patients with compensated cirrhosis [J]．Hepatology，1994，19(5)：1095109-9.
9
徐克群，陆建云，蒋利峰，等．β受体阻滞剂联合小剂量利尿剂预防肝硬化门脉高压性再出血疗效观察[J]．实用临床医学，2005，(10)：47，49.
10
VILLANUEVA C,，GRAUPERA I,，ARACIL C，et al.A randomized trial to assess whether portal pressure guided therapy to prevent variceal rebleeding improves survival in cirrhosis [J]．Hepatology，2017，65(5)：1693-1707.
11
BAJAJ J．The role of microbiota in hepatic encephalopathy [J]．Gut Microbes，2014，5(3)：397-403.
12
李萌浩，李凯，汤世豪，等．轻微肝性脑病患者经颈静脉肝内门体分流术后不同预后组肠道菌群的变化[J]．临床肝胆病杂志，2021，37(2)：326-330.
13
史俪璐，徐慧，陈慧．双歧杆菌三联活菌胶囊联合乳果糖对经颈静脉肝内门体分流术后肝性脑病的预防效果分析[J/OL]．中国医学前沿杂志(电子版)，2021，13(5)：79-83.
14
CAMPION D,，GIOVO I,，PONZO P，et al.Dietary approach and gut microbiota modulation for chronic hepatic encephalopathy in cirrhosis [J]．World J Hepatol，2019，11(6)：489-512.
15
张艳飞，陈平．经颈静脉肝内门体静脉分流术的预后研究进展[J]．中国微创外科杂志，2018，18(5)：457-61.
16
ASCHA M,，ABUQAYYAS S,，HANOUNEH I，et al.Predictors of mortality after transjugular portosystemic shunt [J]．World J Hepatol，2016，8(11)：520-529.
17
孙洪程，徐洪雨．门静脉压力评估方法的现状及研究进展[J]．医学综述，2021，27(3)：534-539.
18
林志鹏，陈斯良，赵剑波．乙型肝炎肝硬化患者肝静脉压力梯度与门静脉压力梯度相关性及临床价值[J]．介入放射学杂志，2019，28(2)：120-123.
19
SCHEPKE M,，ROTH F,，KOCH L，et al.Prognostic impact of renal impairment and sodium imbalance in patients undergoing transjugular intrahepatic portosystemic shunting for the prevention of variceal rebleeding [J]．Digestion，2003，67(3)：146-153.
20
ANGERMAYR B,，CEJNA M,，KARNEL F，et al.Child-Pugh versus MELD score in predicting survival in patients undergoing transjugular intrahepatic portosystemic shunt [J]．Gut，2003，52(6)：879-885.
21
TRIANTAFYLLOU T,，AGGARWAL P,，GUPTA E，et al.Polytetrafluoroethylene-Covered Stent Graft Versus Bare Stent in Transjugular Intrahepatic Portosystemic Shunt：Systematic Review and Meta-Analysis [J]．J Laparoendosc Adv Surg Tech A，2018，28(7)：867-8879.
22
陈治吉，何松．肝硬化门静脉血栓的发病机制研究进展[J]．胃肠病学和肝病学杂志，2021，30(4)：470-472，477.
[1] 范帅华, 郭伟, 郭军. 基于机器学习的决策树算法在血流感染预后预测中应用现状及展望[J]. 中华实验和临床感染病杂志(电子版), 2023, 17(05): 289-293.
[2] 李建美, 邓静娟, 杨倩. 两种术式联合治疗肝癌合并肝硬化门静脉高压的安全性及随访评价[J]. 中华普外科手术学杂志(电子版), 2024, 18(01): 41-44.
[3] 吴方园, 孙霞, 林昌锋, 张震生. HBV相关肝硬化合并急性上消化道出血的危险因素分析[J]. 中华普外科手术学杂志(电子版), 2024, 18(01): 45-47.
[4] 莫闲, 杨闯. 肝硬化患者并发门静脉血栓危险因素的Meta分析[J]. 中华普外科手术学杂志(电子版), 2023, 17(06): 678-683.
[5] 韩宇, 张武, 李安琪, 陈文颖, 谢斯栋. MRI肝脏影像报告和数据系统对非肝硬化乙肝患者肝细胞癌的诊断价值[J]. 中华肝脏外科手术学电子杂志, 2023, 12(06): 669-673.
[6] 葛云鹏, 崔红元, 宋京海. 人工智能在原发性肝癌诊断、治疗及预后中的应用[J]. 中华肝脏外科手术学电子杂志, 2023, 12(04): 367-371.
[7] 李勇, 兰川, 吴斌, 张光年, 李敬东. 术前血小板-白蛋白评分对肝硬化肝癌术后预后的预测价值[J]. 中华肝脏外科手术学电子杂志, 2023, 12(04): 412-416.
[8] 秦维, 王丹, 孙玉, 霍玉玲, 祝素平, 郑艳丽, 薛瑞. 血清层粘连蛋白、Ⅳ型胶原蛋白对代偿期肝硬化食管胃静脉曲张出血的预测价值[J]. 中华消化病与影像杂志(电子版), 2023, 13(06): 447-451.
[9] 张雯, 宋牡丹, 邓雪婷, 张云. 强化营养支持辅助奥曲肽治疗肝硬化合并食管胃底静脉曲张破裂出血的疗效及再出血危险因素[J]. 中华消化病与影像杂志(电子版), 2023, 13(06): 456-460.
[10] 朱翔宇, 王建美, 张辉, 叶红英. 无创左心室压力-应变循环技术在左心室功能参数与肝硬化的相关性分析[J]. 中华消化病与影像杂志(电子版), 2023, 13(06): 494-498.
[11] 郭震天, 张宗明, 赵月, 刘立民, 张翀, 刘卓, 齐晖, 田坤. 机器学习算法预测老年急性胆囊炎术后住院时间探索[J]. 中华临床医师杂志(电子版), 2023, 17(9): 955-961.
[12] 孔凡彪, 杨建荣. 肝脏基础疾病与结直肠癌肝转移之间关系的研究进展[J]. 中华临床医师杂志(电子版), 2023, 17(07): 818-822.
[13] 吴佳霖, 罗骏阳, 钟胜, 王有枝, 姜在波. 肝内小直径覆膜支架联合抽栓、溶栓治疗门静脉血栓二例[J]. 中华介入放射学电子杂志, 2023, 11(04): 377-379.
[14] 朱敏, 李法强. 血清GFAP、UCH-L1联合VILIP-1水平对急性脑梗死神经功能预后不良的预测研究[J]. 中华脑血管病杂志(电子版), 2023, 17(05): 452-457.
[15] 王俊杰, 尹晓亮, 刘二腾, 陆军, 祁鹏, 胡深, 杨希孟, 陈鲲鹏, 张东, 王大明. 机器学习对预测颈内动脉非急性闭塞患者血管内再通术成功的潜在价值[J]. 中华脑血管病杂志(电子版), 2023, 17(05): 464-470.
阅读次数
全文


摘要

版权所有 中华医学会 中华医学电子音像出版社有限责任公司  京ICP备14006079号-1  网络出版服务许可证：(署)网出证(京)字第075号