编辑推荐：
为解决急性胰腺炎（AP）并发全身炎症反应综合征（SIRS）难以早期精准预测的问题，研究人员开展了利用自动机器学习（AutoML）算法构建预测模型的研究。结果显示 AutoML 模型优于传统逻辑回归，DL 模型表现最佳。这对 AP 患者 SIRS 的早期预测有重要临床意义。
急性胰腺炎（AP）是常见的急腹症，发病时胰腺酶被激活，引发胰腺自我消化和一系列炎症反应，部分患者会出现严重并发症。其中，全身炎症反应综合征（SIRS）是 AP 常见且严重的并发症，若持续存在，会增加器官功能障碍风险，甚至导致患者死亡。因此，早期准确预测 SIRS 对改善 AP 患者预后至关重要。
此前，多数研究依赖传统逻辑回归（LR）模型预测 SIRS，但存在变量共线性等问题，预测效果有限。在此背景下，来自重庆市南川区人民医院、苏州大学附属第一医院、苏州大学附属常熟医院、苏州大学附属第二医院的研究人员开展了相关研究，旨在利用自动机器学习（AutoML）算法构建更精准的模型，早期预测 AP 患者的 SIRS。该研究成果发表在《BMC Medical Informatics and Decision Making》。
研究人员采用回顾性研究方法，收集了 2017 年 1 月至 2021 年 12 月苏州大学附属常熟医院、附属第一医院和附属第二医院的 AP 患者临床数据。其中，常熟医院和附属第一医院的数据按 8:2 比例分为训练集和内部验证集，附属第二医院的数据作为独立测试集。
研究中主要运用了以下关键技术方法：首先，数据处理上，从电子病历中提取患者的人口统计学信息、临床数据和合并症等，对缺失数据采用随机森林算法通过 R 软件的 “mice” 包进行插补。其次，统计分析方面，使用 Shapiro-Wilk 检验判断连续变量是否符合正态分布，运用多种 R 软件包进行统计分析。最后，模型构建上，采用 LASSO 回归模型解决变量共线性问题，通过向后逐步法确定独立风险因素构建列线图；利用 H2O 包进行 AutoML，自动选择算法和优化超参数构建多种模型 。
下面来看具体的研究结果：
- 基线特征：研究共纳入 1224 例患者，其中 389 例（31.8%）发生 SIRS。训练集、验证集和测试集中 SIRS 的发生率分别为 33.7%、34.0% 和 22.2%。同时对患者的性别、年龄、病因、合并症等多项临床特征进行了分析，发现不同组间部分特征存在显著差异。
- 预测模型构建：通过 LASSO 回归模型进行单变量分析，确定了 “λmin + 1se（0.059）” 标准和 5 折交叉验证。多变量分析中，向后逐步 LR 从 34 个变量中识别出 3 个独立风险因素构建列线图。校准曲线显示 LASSO 模型预测准确性较高，决策曲线分析（DCA）表明该模型在预测 SIRS 概率为 10% - 90% 时能带来额外益处，测试集的受试者工作特征曲线（ROC）下面积（AUC）为 0.856。
- AutoML 模型性能：研究构建了 53 个基于 4 种 ML 算法（深度学习 DL、梯度提升机 GBM、广义线性模型 GLM、分布式随机森林 DRF）的模型。其中 DL 模型表现最佳，测试队列中 AUC 达到 0.867。在 GBM 模型中，中性粒细胞计数（N）、白细胞计数（WBC）和 C 反应蛋白（CRP）等是关键特征，SHAP 图和 LIME 图分别展示了各特征对模型预测的影响和关键变量对 SIRS 进展风险的贡献。DCA 显示 AutoML 模型在预测 SIRS 概率为 10% - 100% 时可提供 1% - 20% 的额外益处。
- 模型比较：在测试集中，DL 模型的 AUC 和准确率均超过 0.80，优于其他模型，如 LASSO 模型 AUC 为 0.856，GLM 为 0.853，GBM 为 0.833，DRF 为 0.830。
研究结论和讨论部分指出，AP 的急性反应期会引发 SIRS，若持续发展可导致严重后果，早期评估 SIRS 对改善预后至关重要。本研究中 AutoML 模型在早期预测 SIRS 方面比传统算法更准确、更敏感，且预测因素基于 AP 常规检测指标，多中心研究也便于模型的应用和推广。然而，研究存在一定局限性，如未纳入新型生物标志物，为回顾性研究且样本量相对较小，需要进一步的前瞻性研究和更大样本量研究来验证。但总体而言，该研究为 AutoML 在医学研究中的应用提供了方向，DL 模型在预测 AP 患者 SIRS 方面具有重要的临床价值 。
