第５６卷第６期２０２２年１２月福建医科大学学报ＪｏｕｒｎａｌｏｆＦｕｊｉａｎＭｅｄｉｃａｌＵｎｉｖｅｒｓｉｔｙＶｏｌ．５６Ｎｏ．６Ｄｅｃ．２０２２基于机器学习和术前资料构建肝癌切除术中出血预测模型郑咏坤１，吴春香２，姚志雄１摘要：目的探索借助机器学习算法利用术前资料构建肝癌切除术中出血预测模型的可行性和应用价值。方法回顾性分析３３６例原发性肝癌手术患者的临床资料，按８∶２比例随机筛选出训练集２６８例和测试集６８例。模型Ａ采用基于实际手术时间的随机森林（ＲＦ）模型建立，模型Ｂ采用基于混合密度网络（ＭＤＮ）模型的预测手术时间联合ＲＦ模型建立。二分类结局的单因素回归分析采用ｌｏｇｉｓｔｉｃ回归模型。连续型结局变量筛选采用Ｌａｓｓｏ回归模型，模型预测精度采用均方根误差（ＲＭＳＥ）、平均绝对百分比误差（ＭＡＰＥ）等衡量；分类变量预测模型预测性能采用准确率、校准曲线、Ｂｒｉｅｒ评分、工作曲线下面积（ＡＵＣ）等衡量；模型性能稳定性采用全部样本的ｂｏｏｔｓｔｒａｐ法验证。结果（１）训练集“切除肝段数”项与验证集临床资料比较，差别有统计学意义（Ｐ＜０．０５），其他项目差别无统计学意义。（２）手术时间预测模型训练集、验证集与真实值差别的ＲＭＳＥ、ＭＡＰＥ分别为（４２．７３ｍｉｎ，１８．３％）和（４７．１１ｍｉｎ，２７．４％）。（３）虽然训练集及内部验证中模型Ａ较模型Ｂ有更高的预测准确率（０．９２９ｖｓ０．８２６／０．９０８ｖｓ０．８５４），更低的Ｂｒｉｅｒ评分（０．０７３ｖｓ０．１０９／０．０８８ｖｓ０．１１８），更好的预测性能（ＡＵＣ：０．９８０ｖｓ０．９００／０．９４２ｖｓ０．８７９），但模型Ｂ仍拥有较好的准确性及预测性能；在验证集中模型Ｂ与模型Ａ有一致的准确率（０．８２４）、Ｂｒｉｅｒ评分（０．１４９），ＡＵＣ差别无统计学意义（０．７９０ｖｓ０．７７０，Ｐ＞０．０５）。模型Ｂ与模型Ａ在训练集、验证集及内部验证的预测结果有中～高度的一致性（Ｋａｐｐａ为０．５６９～０．９１１）。ｂｏｏｔｓｔｒａｐ结果显示模型Ａ、Ｂ表现稳定。结论利用术前资料联合ＭＤＮ、ＲＦ算法有助于构建良好性能的肝癌切除术中出血预测模型，但需要多中心大样本数据进一步验证。关键词：肝癌；肝切除术；手术时间；术中出血；预测；机器学习文献标志码：Ａ文章编号：１６７２－４１９４（２０２２）０６－０５５２－０９收稿日期：２...
