基于机器学习的Wilson病脂肪肝预测模型的开发与验证OA

目的构建基于机器学习的Wilson病(WD)患者合并脂肪肝的预测模型,并评估其效能。方法回顾性收集安徽中医药大学第一附属医院1862例WD患者的临床资料,按7∶3分为训练集(n=1296)和验证集(n=566),采用最小绝对收缩和选择算子(LASSO)筛选关键预测变量,运用逻辑回归(LR)、决策树(DT)、随机森林(RF)、极端梯度提升(XGBoost)、轻量梯度提升机(LightGBM)、支持向量机(SVM)和人工神经网络(ANN)7种算法构建预测模型,结合受试者工作特征曲线下面积(AUC)、精准-召回曲线(PR)、校准曲线、决策曲线分析(DCA)评估模型性能,通过SHAP分析每个特征对模型预测的贡献。结果本研究纳入的1862例WD患者中1296例(69.60%)合并脂肪肝。LASSO回归筛选出血小板计数(PLT)、红细胞分布宽度(RDW)、丙氨酸氨基转移酶(ALT)、总胆汁酸(TBA)、IV型胶原(CIV)、间接胆红素(IBIL)6项关键预测变量。在7种模型中,LightGBM模型综合效能最优:训练集AUC为0.826(95%CI:0.801~0.849),校准度良好(Brier评分0.143);验证集AUC为0.815(95%CI:0.776~0.852),PR平均精确率高(AP=0.903),校准度良好(Brier评分0.138),DCA证实其具有临床净获益。SHAP分析表明ALT、IBIL、TBA、CIV对模型输出有显著的正向影响,RDW、PLT对预测结果的累积影响极小。结论本研究构建并验证了7种WD脂肪肝的预测模型,其中LightGBM模型更具优势,可为WD患者脂肪肝的早期筛查与风险分层提供一种可靠的评估工具。