1. 背景
急性胰腺炎(Acute Pancreatitis, AP)是一种胰腺自身消化引起的炎症疾病，起病急，进展快，已成为临床上最常见的急腹症之一[1]。随着社会经济发展及人类饮食结构改变，高脂血症是引起急性胰腺炎常见因素之一，有研究显示，高脂血症型胰腺炎(Hyperlipidemic Acute Pancreatitis, HLAP)在AP占比高达22% [2]。研究显示，与其他类型急性胰腺炎相比，HLAP具有更严重的病情严重度和更差的预后[2] [3]。HLAP中有高达50%的患者会快速进展为重症胰腺炎(Severe Acute Pancreatitis, SAP) [4]，其病死率较AP增加十倍[5]，给患者带来极大的健康损害和经济负担。因此，早期识别急性高脂血症型胰腺炎患者的病情进展具有重要的临床意义。
AP患者中超过10%的患者需要入住ICU [6]，HLAP入住ICU的比例更高[4]。指南推荐有器官功能衰竭和/或全身炎症反应综合征(SIRS)的患者应优先入住监护病床。遗憾的是，目前单纯依靠评分系统(如APACHE-II、Ranson、BISAP评分)和影像学均无法准确预测中重度或重症急性胰腺炎的发生和胰腺炎的进展，无法较好地识别出需要入住ICU的HLAP患者[7]。亟需寻找新的能够反映HLAP发病机制并影响其临床结局的新型生物标志物和/或采用先进的机器学习算法充分利用现有数据，以提高HLAP入住ICU模型的预测准确性。
机器学习是计算机模拟人类大脑进行数据学习的一门科学技术，它能够从大量已知、复杂的数据中学习并总结规律，发现模式及趋势，从而能够对新的数据进行预测或做出决策。在构建医学模型、临床预后、疾病诊断等已取得显著成就[8]-[10]。近年来，基于大数据的ML算法在急性胰腺炎领域的应用越来越广泛。
白蛋白(Albumin, ALB)是健康人血浆中最丰富的蛋白质，主要由肝细胞产生，其生理功能包括营养、抗氧化、抗炎等。目前研究发现，白蛋白可以作为预测急性胰腺炎持续性器官衰竭的独立危险因素[11]。白蛋白与其他生化指标结合(如白蛋白–球蛋白比值、白蛋白–胆红素比值等)可能提供更复杂的病理生理信息，有助于精细评估病情严重度和预后。目前已有研究发现白蛋白衍生指标如血清肌酐与白蛋白比值、乳酸与白蛋白比值(LAR)与急性胰腺炎严重程度及预后的相关性研究[12] [13]。但尚无在HLAP患者中基于白蛋白衍生指标采用机器学习方法建立入住ICU模型的相关研究。基于此，本研究运用机器学习方法，建立基于白蛋白衍生指标对急性高脂血症型胰腺炎患者入住ICU的预测模型。
2. 资料与方法
2.1. 研究对象
选取重庆医科大学附属第二医院2017年1月至2022年12月收治的2311例AP患者，筛选出350例确诊为HLAP的患者为研究对象。HLAP的诊断标准参照亚特兰大标准。本研究方案获得重庆医科大学附属第二医院伦理委员会审批[2024年科伦审第(28)号]。
2.2. 纳入与排除标准
纳入标准：① 符合HLAP诊断标准；② 年龄 ≥ 18岁。排除标准：① 合并慢性肝/肾衰竭及妊娠状态；② 恶性肿瘤；③ 发病时间超过24小时。
2.3. 研究目标
本研究以是否入住ICU为主要结局终点。
2.4. 数据收集
基于本研究目的，收集以下数据：1) 一般资料，包括性别、年龄、基础疾病(高血压、糖尿病、脂肪肝)；2) 结局指标(住院天数、ICU入住率)；3) 入院24 h内的实验室指标，包括空腹血糖、胰腺炎酶学(血清淀粉酶(AMY)、血清脂肪酶(LPS))、生化指标(血脂、肝功能、电解质、肾功能等)；4) 并发症指标(急性胰周液体积聚(Acute Peripancreatic Fluid Collection, APFC)、急性坏死物积聚(Acute Necrotic Collection, ANC)、胰腺假性囊肿、感染性胰腺坏死胸腔积液、腹腔积液、发热(体温 ≥ 37.3℃))；5) 白蛋白衍生指标及其计算：PAR：血小板/白蛋白；CAR：C反应蛋白/白蛋白；AAR：碱性磷酸酶/白蛋白；CAR_crea：肌酐/白蛋白；BAR：尿素氮/白蛋白。本研究排除了缺失值 > 20%的实验室检查指标，缺失数据使用mice包进行插补。
2.5. 模型的开发与验证
基于6种常见的机器学习算法构建模型，分别是支持向量(Support Vector Machines, SVM)、决策树(Decision Tree, DT)、极端梯度提升(eXtreme Gradient Boosting, XGboost)、随机森林(Random Forest, RF)、K近邻算法(K-Nearest Neighbors)和逻辑回归(Logistic Regression, LR)。首先将数据集按照7:3的比例随机划分为训练集和测试集，训练集用于模型的构建，测试集用于模型的评估。本研究采用Lasso回归进行变量筛选，利用10折交叉验证确定最优正则化参数λ，并通过Glmnet包进行模型拟合，将筛选出的变量纳入SVM、DT、XGboost、RF、KNN、LR算法中。模型构建过程采用十折交叉验证(Cross-Validation, CV)，即将训练集数据分成10等份，每份数据都在上述机器学习模型中进行训练和测试，每次选择其中2份作为验证集，剩余8份作为训练集，最终模型评估结果取10次训练结果的平均值，以更准确地评估模型的泛化性能。通过网格搜索(Grid Search)调整模型参数，不断对模型进行优化。模型性能的评估选用灵敏度、特异度、准确度、精确度。F1分数和受试者工作特征(ROC)曲线下面积(AUC)为评价指标。最终绘制6个模型的ROC曲线，更加直观地显示各模型的AUC值差异。
2.6. 统计学方法
采用SPSS 27.0和R语言软件进行数据分析。符合正态分布的计量资料以表示，组间比较采用独立样本t检验；不符合正态分布的计量资料以M (P25, P75)表示，组间比较采用Mann-Whitney U检验。计数资料以百分比(%)表示，组间比较采用χ2检验。P < 0.05为差异具有统计学意义。采用R 4.3.1软件进行模型构建，并计算ROC曲线下面积(Area Under Curve, AUC)的灵敏度、特异度等模型评价指标，绘制DCA曲线评估临床获益。
3. 结果
3.1. 基线资料比较
经过逐步筛选，本研究最终共纳入HLAP患者350例，具体流程见图1。将满足纳入排除标准的患者根据是否入住ICU分为入住ICU组及未入住ICU组，两组患者的特征情况见表1。分析两组间基线资料发现，入住ICU患者费用显著高于未入住ICU组，淀粉酶学高于未入住ICU组。入住ICU患者的甘油三酯水平更高，白蛋白水平更低，中性粒细胞计数、C反应蛋白、降钙素原更高，更容易合并并发症，且APACHE II评分更高。白蛋白衍生指标中，入住ICU中PAR、CAR及BAR显著高于未入住ICU组，差异具有统计学意义。
Figure 1. Research flowchart
图1. 研究流程图
Table 1. Comparison of baseline data between HLAP patients admitted to ICU and those not admitted to ICU
表1. HLAP入住ICU组与未入住ICU组的基线资料比较
参数 |
未入住ICU组(N = 284) |
入住ICU组(N = 66) |
P值 |
一般资料 |
|
|
|
年龄(岁) |
42.0 (34.0; 51.0) |
40.0 (32.0; 46.8) |
0.194 |
男性 |
206 (72.5%) |
46 (69.7%) |
0.756 |
治疗费用(元) |
8204 (4767; 13756) |
41623 (18837; 59647) |
<0.001 |
既往病史 |
|
|
|
脂肪肝 |
159 (56.0%) |
35 (53.0%) |
0.766 |
糖尿病 |
133 (46.8%) |
35 (53.0%) |
0.441 |
高血压 |
59 (20.8%) |
10 (15.2%) |
0.388 |
吸烟 |
162 (57.0%) |
41 (62.1%) |
0.539 |
饮酒 |
138 (48.6%) |
39 (59.1%) |
0.161 |
实验室指标 |
|
|
|
胰腺酶学 |
|
|
|
淀粉酶(U/L) |
183 (93.5; 324) |
302 (115; 731) |
0.002 |
脂肪酶(U/L) |
640 (174; 1700) |
466 (160; 2166) |
0.756 |
血脂 |
|
|
|
甘油三酯(mmol/L) |
15.1 (9.09; 25.7) |
24.1 (13.4; 29.6) |
<0.001 |
总胆固醇(mmol/L) |
7.69 (5.88; 10.1) |
8.95 (6.30; 11.5) |
0.097 |
高密度脂蛋白(mmol/L) |
1.25 (0.73; 2.48) |
0.89 (0.55; 2.15) |
0.029 |
低密度脂蛋白(mmol/L) |
1.75 (1.26; 2.76) |
1.78 (0.96; 3.32) |
0.801 |
载脂蛋白A (g/L) |
1.19 (1.00; 1.37) |
1.00 (0.56; 1.22) |
<0.001 |
脂蛋白(mg/L) |
35.4 (20.6; 71.1) |
24.0 (15.2; 46.5) |
0.001 |
肝功 |
|
|
|
白蛋白(g/L) |
41.6 (38.9; 44.4) |
39.6 (33.8; 43.5) |
0.006 |
ALT (U/L) |
23.0 (16.0; 34.0) |
24.5 (14.2; 38.8) |
0.559 |
AST (U/L) |
22.0 (17.0; 28.0) |
27.5 (21.0; 44.0) |
<0.001 |
ALP (U/L) |
73.0 (60.0; 87.0) |
65.0 (50.8; 91.8) |
0.341 |
γ-GT (U/L) |
46.0 (26.0; 82.0) |
60.0 (24.2; 112) |
0.118 |
总胆红素(μmol/L) |
12.2 (8.87; 16.3) |
13.5 (9.45; 21.1) |
0.030 |
直接胆红素(μmol/L) |
3.80 (2.80; 5.20) |
6.00 (3.52; 9.20) |
<0.001 |
间接胆红素(μmol/L) |
8.20 (4.90; 12.2) |
7.45 (4.05; 12.2) |
0.747 |
总胆汁酸(mg/L) |
1.20 (0.60; 2.60) |
1.30 (0.63; 3.17) |
0.344 |
血常规 |
|
|
|
红细胞计数(×1012/L) |
4.92 (4.48; 5.37) |
4.74 (4.30; 5.37) |
0.234 |
血红蛋白(g/L) |
155 (141; 168) |
157 (138; 173) |
0.799 |
白细胞计数(×109/L) |
12.6 (9.67; 15.3) |
11.8 (8.75; 15.8) |
0.594 |
中性粒细胞比例(%) |
82.5 (76.5; 86.4) |
85.7 (81.7; 89.1) |
<0.001 |
血小板计数(×109/L) |
202 (157; 242) |
181 (138; 220) |
0.037 |
中性粒细胞计数(×109/L) |
10.0 (7.63; 13.0) |
10.4 (7.37; 13.5) |
0.653 |
单核细胞计数(×109/L) |
0.06 (0.03; 0.12) |
0.05 (0.03; 0.12) |
0.843 |
C反应蛋白(mg/L) |
14.1 (5.00; 52.6) |
59.1 (22.1; 197) |
<0.001 |
降钙素原(ng/ml) |
0.07 (0.04; 0.15) |
0.30 (0.11; 1.39) |
<0.001 |
Na (mmol/L) |
136 (132; 139) |
135 (130; 138) |
0.049 |
Ca (mmol/L) |
2.25 (2.16; 2.35) |
2.08 (1.85; 2.19) |
<0.001 |
肾功 |
|
|
|
肌酐(μmol/L) |
55.9 (44.6; 67.2) |
54.6 (43.7; 82.7) |
0.779 |
尿素氮(mg/dL) |
4.51 (3.69; 5.46) |
4.74 (3.40; 6.29) |
0.273 |
GFR (mL/min) |
116 (105; 129) |
121 (98.9; 138) |
0.931 |
血糖(mmol/L) |
10.2 (7.20; 13.8) |
12.0 (8.20; 15.3) |
0.009 |
并发症 |
|
|
|
APFC |
48 (16.9%) |
28 (42.4%) |
<0.001 |
ANC |
9 (3.17%) |
17 (25.8%) |
<0.001 |
PPC |
16 (5.63%) |
2 (3.03%) |
0.543 |
IPN |
6 (2.11%) |
6 (9.09%) |
0.013 |
SIRS |
7 (2.46%) |
13 (19.7%) |
<0.001 |
AKI |
11 (3.87%) |
14 (21.2%) |
<0.001 |
发热 |
53 (18.7%) |
40 (60.6%) |
<0.001 |
白蛋白相关衍生指标 |
|
|
|
PAR |
0.00 (0.00; 0.00) |
0.01 (0.00; 0.04) |
<0.001 |
CAR |
0.36 (0.13; 1.43) |
1.52 (0.53; 4.67) |
<0.001 |
AAR |
1.74 (1.45; 2.10) |
1.65 (1.38; 2.38) |
0.904 |
CAR_crea |
1.35 (1.06; 1.67) |
1.40 (0.97; 2.21) |
0.334 |
BAR |
0.11 (0.09; 0.13) |
0.13 (0.08; 0.17) |
0.042 |
APACHE II评分 |
3.00 (2.00; 5.00) |
9.00 (4.00; 10.8) |
<0.001 |
注：APFC为急性胰周液体积聚；ANC为急性坏死物积聚；PPC为胰腺假性囊肿；IPN为感染性胰腺坏死；SIRS为全身炎症反应综合征；AKI为急性肾损伤。
3.2. 训练集与测试集的比较
本研究按7:3比例将HLAP患者随机划分为训练集和测试集，比较发现训练集与测试集中除了C反应蛋白与CAR外，其余参数均无统计学意义(见表2)。
Table 2. Comparison of general data between the training set and the test set of HLAP patients
表2. HLAP患者训练集和测试集一般资料比较
参数 |
训练集(N = 246) |
验证集(N = 104) |
P值 |
一般资料 |
|
|
|
年龄(岁) |
41.5 (33.0; 49.8) |
42.0 (34.0; 48.2) |
0.759 |
男性 |
179 (72.8%) |
73 (70.2%) |
0.719 |
治疗费用(元) |
9780 (5455; 19492) |
9925 (5604; 18585) |
0.777 |
既往病史 |
|
|
|
脂肪肝 |
133 (54.1%) |
61 (58.7%) |
0.502 |
糖尿病 |
127 (51.6%) |
41 (39.4%) |
0.049 |
高血压 |
50 (20.3%) |
19 (18.3%) |
0.768 |
吸烟 |
142 (57.7%) |
61 (58.7%) |
0.966 |
饮酒 |
126 (51.2%) |
51 (49.0%) |
0.798 |
实验室指标 |
|
|
|
胰腺酶学 |
|
|
|
淀粉酶(U/L) |
186 (89.2; 353) |
222 (110; 482) |
0.191 |
脂肪酶(U/L) |
633 (172; 1710) |
685 (194; 1905) |
0.613 |
血脂 |
|
|
|
甘油三酯(mmol/L) |
16.1 (9.39; 25.4) |
19.2 (10.2; 28.6) |
0.091 |
总胆固醇(mmol/L) |
7.81 (5.87; 10.1) |
8.43 (6.26; 11.1) |
0.209 |
高密度脂蛋白(mmol/L) |
1.11 (0.68; 2.33) |
1.49 (0.66; 2.73) |
0.547 |
低密度脂蛋白(mmol/L) |
1.70 (1.19; 2.60) |
1.84 (1.29; 3.20) |
0.073 |
载脂蛋白A (g/L) |
1.17 (0.94; 1.37) |
1.18 (0.90; 1.34) |
0.607 |
肝功 |
|
|
|
白蛋白(g/L) |
41.5 (38.6; 44.6) |
40.9 (37.8; 43.7) |
0.324 |
ALT (U/L) |
23.0 (16.0; 34.0) |
23.6 (15.0; 37.0) |
0.773 |
AST (U/L) |
22.0 (18.0; 28.0) |
23.5 (17.8; 32.0) |
0.300 |
ALP (U/L) |
75.0 (60.0; 87.0) |
68.0 (59.0; 88.0) |
0.644 |
γ-GT (U/L) |
48.5 (25.2; 85.5) |
44.0 (25.5; 89.7) |
0.850 |
总胆红素(μmol/L) |
12.4 (9.05; 17.2) |
12.1 (9.17; 17.0) |
0.588 |
直接胆红素(μmol/L) |
4.00 (2.90; 5.88) |
3.80 (2.80; 5.85) |
0.737 |
间接胆红素(μmol/L) |
8.15 (5.00; 12.2) |
8.05 (4.20; 12.2) |
0.648 |
总胆汁酸(mg/L) |
1.30 (0.60; 2.60) |
1.05 (0.60; 2.60) |
0.411 |
血常规 |
|
|
|
红细胞计数(×1012/L) |
4.87 (4.49; 5.37) |
4.91 (4.35; 5.42) |
0.613 |
血红蛋白(g/L) |
155 (140; 168) |
156 (138; 168) |
0.849 |
白细胞计数(×109/L) |
12.7 (9.43; 15.6) |
11.8 (10.2; 14.9) |
0.612 |
中性粒细胞比例(%) |
83.1 (77.9; 86.9) |
83.2 (76.8; 87.3) |
0.881 |
血小板计数(×109/L) |
198 (152; 238) |
198 (148; 241) |
0.855 |
中性粒细胞计数(×109/L) |
10.4 (7.48; 13.3) |
9.59 (7.64; 13.0) |
0.615 |
单核细胞计数(×109/L) |
0.06 (0.03; 0.13) |
0.06 (0.03; 0.11) |
0.385 |
C反应蛋白(mg/L) |
33.8 (5.00; 73.8) |
8.11 (5.00; 65.6) |
0.011 |
降钙素原(ng/ml) |
0.10 (0.05; 0.28) |
0.07 (0.04; 0.18) |
0.115 |
Na (mmol/L) |
136 (132; 139) |
136 (132; 138) |
0.431 |
Ca (mmol/L) |
2.24 (2.13; 2.35) |
2.22 (2.13; 2.31) |
0.245 |
肾功 |
|
|
|
肌酐(μmol/L) |
55.8 (46.0; 67.8) |
54.3 (41.7; 68.2) |
0.438 |
尿素氮(mg/dL) |
4.62 (3.68; 5.56) |
4.41 (3.53; 5.71) |
0.430 |
GFR(mL/min) |
117 (105; 130) |
117 (100; 132) |
0.959 |
血糖(mmol/L) |
10.7 (7.50; 14.4) |
10.4 (7.42; 13.1) |
0.330 |
并发症 |
|
|
|
APFC |
51 (20.7%) |
25 (24.0%) |
0.587 |
ANC |
16 (6.50%) |
10 (9.62%) |
0.429 |
PPC |
11 (4.47%) |
7 (6.73%) |
0.542 |
IPN |
9 (3.66%) |
3 (2.88%) |
1.000 |
SIRS |
12 (4.88%) |
8 (7.69%) |
0.433 |
AKI |
18 (7.32%) |
7 (6.73%) |
1.000 |
发热 |
63 (25.6%) |
30 (28.8%) |
0.621 |
白蛋白相关衍生指标 |
|
|
|
PAR |
0.00 (0.00; 0.01) |
0.00 (0.00; 0.00) |
0.138 |
CAR |
0.84 (0.13; 1.86) |
0.20 (0.13; 1.61) |
0.034 |
AAR |
1.74 (1.43; 2.15) |
1.67 (1.39; 2.09) |
0.818 |
CAR_crea |
1.35 (1.07; 1.70) |
1.34 (0.99; 1.74) |
0.627 |
BAR |
0.11 (0.09; 0.14) |
0.11 (0.08; 0.14) |
0.488 |
APACHE II评分 |
4.00 (2.00; 7.00) |
3.50 (2.00; 6.00) |
0.158 |
入住ICU |
47 (19.1%) |
19 (18.3%) |
0.973 |
3.3. 特征变量筛选及模型构建
在训练集队列中，为避免数据分析存在共线性，使用Lasso回归分析对自变量进行筛选(见图2(a)、图2(b))，共筛选出5个自变量，其系数非零。这些变量包括APACH II评分、直接胆红素、ANC、发热以及CAR。
(a) (b)
Figure 2. Variable screening through Lasso regression analysis
图2. Lasso回归分析筛选变量
3.4. 最优模型解释及可视化
本研究通过多种机器学习建立了急性胰腺炎患者入住ICU的预测模型，并评估了它们在验证集中预测急性胰腺炎患者入住ICU的准确性与性能。结果显示采用逻辑回归模型ROC曲线下面积最大(AUC = 0.7579)，见图3。不同机器学习模型预测性能指标见表3。
(a) (b)
(c) (d)
(e) (f)
Figure 3. ROC curve of each prediction mode
图3. 各预测模型的ROC曲线
Table 3. Comparison of prediction performance metrics of different machine learning models
表3. 不同机器学习模型预测性能指标对比
Models |
Testing Dataset |
|
Predict
survived |
Predict dead |
Accuracy [95% CI] |
Positive
predictive value
[95% CI] |
Negative predictive value
[95% CI] |
Specificity [95% CI] |
Sensitivity [95% CI] |
AUC
[95% CI] |
SVM |
|
|
|
|
|
|
|
|
survived |
81 |
14 |
0.8269 |
0.8526 |
0.5556 |
0.2632 |
0.9529 |
0.608 |
dead |
4 |
5 |
|
|
|
|
|
|
决策树 |
|
|
|
|
|
|
|
|
survived |
78 |
11 |
0.8269 |
0.8764 |
0.5333 |
0.4211 |
0.9176 |
0.7049 |
dead |
7 |
8 |
|
|
|
|
|
|
XGboost |
|
|
|
|
|
|
|
|
survived |
79 |
13 |
0.8173 |
0.8587 |
0.5 |
0.3158 |
0.9294 |
0.7269 |
dead |
6 |
6 |
|
|
|
|
|
|
随机森林 |
|
|
|
|
|
|
|
|
survived |
78 |
12 |
0.8173 |
0.8667 |
0.5 |
0.3684 |
0.9176 |
0.7375 |
dead |
7 |
7 |
|
|
|
|
|
|
KNN |
|
|
|
|
|
|
|
|
survived |
70 |
13 |
0.7308 |
0.8434 |
0.2857 |
0.3158 |
0.8235 |
0.561 |
dead |
15 |
6 |
|
|
|
|
|
|
逻辑回归 |
|
|
|
|
|
|
|
|
survived |
78 |
7 |
0.8077 |
0.9176 |
0.3158 |
0.4615 |
0.8571 |
0.7579 |
dead |
13 |
6 |
|
|
|
|
|
|
3.5. 列线图
本研究发现逻辑回归曲线下面积最大，以此结果建立预测急性高脂血症型胰腺炎入住ICU的列线图(图4)。构建列线图的变量分别为APACH II评分、直接胆红素、ANC、发热以及CAR，各变量在列线图中的权重由其回归系数决定，其中CAR对总评分的贡献较高，反映其在预测ICU风险中的重要性。通过简单的变量测量与分值累加，可快速评估患者的ICU入住概率，为临床干预提供支持。
Figure 4. Nomogram
图4. 列线图
(a) (b)
Figure 5. Decision curve analysis
图5. 决策曲线分析
3.6. DCA曲线和校准曲线
决策曲线分析(图5(a))显示，该预测模型在阈值概率范围0.1至0.3之间具有较高的净获益。表明本模型在平衡灵敏度与特异度方面具有良好的表现，适用于ICU资源有限的临床场景。校准曲线(图5(b))显示，模型在低风险范围(<0.2)的预测概率与实际ICU入住概率接近理想状态。然而，在中高风险范围(>0.2)，预测值略高于实际发生率，提示模型在高风险患者中的预测可能存在一定程度的高估。通过偏差校正后的模型校准表现显著改善，与理想曲线更加接近，验证了模型预测结果的可靠性。
4. 讨论
急性高脂性胰腺炎病情进展迅速，部分患者需入住重症监护室(ICU)进行强化治疗。因此，准确预测患者是否需要ICU管理，对于优化医疗资源分配、指导临床决策具有重要意义。本研究基于白蛋白衍生指标构建预测模型，发现基于CAR的临床预测模型能较好地预测HLAP患者是否需要入住ICU。本研究结果提供一种简便、实用的工具，帮助临床医师快速识别HLAP的高危患者。
白蛋白是反映机体营养和炎症状态的重要指标，其衍生参数，如CAR、PAR、AAR、肌酐/白蛋白，结合了白蛋白与炎症、凝血及代谢相关因子的比值，更全面地反映了患者的全身炎症反应和器官功能状态，能有效预测患者预后[14] [15]。既往研究发现肌酐/白蛋白是AP患者短期和长期全因死亡率的独立预测因子[12] [16]。在本研究中，通过Lasso回归筛选发现，CAR与AHLP患者入住ICU的风险显著相关，这一结果提示CAR能够作为一种简便且具有临床应用价值的指标，为预测病情严重程度提供了重要参考。
CAR结合了急性炎症反应的敏感指标C反应蛋白(CRP)与营养和炎症状态的标志白蛋白，是评估全身炎症反应综合指数的有效工具。CRP水平的升高提示急性炎症的存在，而白蛋白的降低则与疾病严重程度及预后密切相关。CAR在整合这两个参数后，能够更精准地反映机体炎症负荷和营养耗竭状态，从而具有较高的预测效能。目前已有研究证实CAR在脓毒症、急性呼吸窘迫综合征(ARDS)、急性心肌梗死等危重症中具有良好的预测效能[17] [18]。同时，在急性胰腺中能有效预测急性肾损伤的发生[19]，本研究发现CAR在预测HLAP患者入住ICU需求中的有效性进一步验证了其在重症医学领域的广泛适用性。
相比传统统计方法，机器学习能够在复杂数据中识别非线性关系并有效处理多维特征。本研究应用了多种机器学习方法，包括支持向量机(SVM)、决策树(DT)、极端梯度提升(XGboost)、随机森林(RF)、K近邻算法(KNN)和逻辑回归(LR)。最终发现，基于CAR逻辑回归模型的ROC面积最大，提示其在预测AHLP患者入住ICU方面具有良好的性能。逻辑回归的优势在于模型简单、可解释性强，更适合实际临床应用。
机器学习在急性胰腺炎中已有相关研究，Balázs Kui等运用机器学习方法构建早期预测SAP的模型，结果发现XGBoost机器学习算法最佳，六个最具影响的特征分别是呼吸频率、体温、腹肌紧张、性别、年龄和血糖水平[20]。Zhang等发现利用机器学习构建急性胰腺炎发生急性肾损伤的预测模型，结果发现XGBoost方法构建的预测模型ROC最大，贡献度最大的前五位参数依次为SOFA评分、APACHE II评分、血小板计数、尿素氮和尿酸[21]。本研究中根据Lasso回归筛选的变量为APACHE II评分、发热、直接胆红素、ANC和C反应蛋白/白蛋白。采用逻辑回归构建的预测模型在验证集中的AUC为0.757，能有效预测HLAP患者是否需要入住ICU，具有一定的临床应用价值。
本研究存在以下局限性：1) 本研究为单中心、小样本量研究，可能限制模型的外部推广性和稳定性；2) 本研究纳入的变量可能存在未全面涵盖HLAP病情进展的潜在重要因素，从而影响研究结果；3) 本研究仅进行训练集建模，未行外部验证，同时基于静态指标，未考虑患者病情随时间变化的数据。因此，未来需通过多中心大样本的研究来验证模型的普适性；引入更多变量，特别是动态变化数据且尝试更复杂的机器学习方法优化模型性能，以提升对HLAP患者的精准预测和治疗价值。
5. 结论
本研究采用逻辑回归构建的基于C反应蛋白/白蛋白的机器学习模型能有效预测HLAP患者是否需要入住ICU，其预测性能与临床应用的可解释性较好。该模型可帮助临床医师快速识别病情进展迅速的HLAP高危患者，优化ICU资源分配，提高临床决策的科学性，有助于改善患者预后。
NOTES
*通讯作者。