关键词:
阑尾黏液性肿瘤
PAH评分
鉴别诊断
机器学习
外周血指标
摘要:
目的本研究旨在基于双中心数据,开发并验证一个通过logistic回归与机器学习方法构建的复合模型(PAH评分),以提升阑尾黏液性肿瘤的术前鉴别诊断效能。方法研究采用双中心回顾性病例对照设计,纳入联勤保障部队第九〇〇医院(2014年1月至2024年11月)及福建医科大学附属三明市第一医院(2018年12月至2023年12月)的阑尾黏液性肿瘤(appendiceal mucinous neoplasm,AMNs)患者108例、健康对照230人,用于特征筛选及模型构建;纳入同期经病理确诊的慢性阑尾炎(chronic appendicitis,CA)患者258例,作为鉴别验证组。采用LASSO(最小绝对收缩与选择算子)+传统logistic回归分析方法筛选预测因素,并采用随机森林、支持向量机、梯度提升、决策树4种算法进行因素的重要性排序,再整合两类方法共同识别的核心变量构建logistic回归模型,进一步构建PAH评分,最后验证PAH评分区分AMNs和CA的效能并开发AMNs风险可视化在线预测平台。结果AMNs组与对照组比较、AMNs组和CA组比较基线特征均均衡可比(P>0.05)。多因素logistic回归分析结果显示,预后营养指数(prognostic nutritional index,PNI;OR=0.81)、白蛋白/球蛋白比值(albumin-to-globulin ratio,AGR;OR=0.37)、血红蛋白/红细胞分布宽度比值(hemoglobin to red blood cell distribution width ratio,HRR;OR=0.36)为AMNs的预测因子(P<0.001),且4种机器学习算法均将PNI、AGR、HRR识别为重要性排名前3的特征变量。基于上述结果,构建PAH模型并基于标准化回归系数加权法计算:PAH评分=20.8–0.21×PNI–0.99×AGR–1.01×HRR。模型的受试者工作特征曲线下面积(area under curve,AUC)为0.918,具有优秀的AMNs识别能力;Hosmer-Lemeshow检验显示预测概率与实际观察概率高度一致(P=0.925);决策曲线分析显示在广泛风险阈值(0.05~0.95)区间具有较好的临床净获益;Bootstrap内部验证提示模型具有优异的鲁棒性(AUC=0.911)。PAH评分在AMNs组和CA组间的差异有统计学意义(MD=1.78分,P<0.001)。PAH评分区分AMNs和CA的AUC为0.758,截断值(–1.00分)时对应的灵敏度为70%、特异度为76%、准确率为74%;Hosmer-Lemeshow检验结果证实预测概率与实际观察概率高度一致(P=0.106),Bootstrap验证提示PAH评分具有良好的稳定性(AUC=0.783),决策曲线分析显示在阈值0.20~0.95区间具有较高的净获益。结论本研究构建的PAH评分能够有效预测AMNs的发生风险,并较为准确地鉴别CA,具有良好的临床应用潜力。但本研究为探索性研究,未来需进一步通过多中心、大样本、多对照前瞻性研究验证并提高评分系统的普适性与稳定性。