换一批基于多模态超声的机器学习模型预测肝硬化食管胃底静脉曲张破裂出血风险
Machine learning models based on multimodal ultrasound for predicting the risk of esophagogastric variceal bleeding in liver cirrhosis
摘要目的 基于二维超声、脉冲多普勒、剪切波弹性成像(SWE)构建决策树模型和随机森林模型,比较二者预测肝硬化食管胃底静脉曲张破裂出血(EGVB)风险的临床价值.方法 选取我院收治的110例肝硬化患者,依据内镜检查结果分为高风险组40例(G2、G3级)和低风险组70例(G1级),应用二维超声获取门静脉内径、肝静脉内径、肠系膜上静脉内径、脾静脉内径及脾脏面积,脉冲多普勒获取肝动脉收缩期峰值流速(PSV)、舒张末期峰值流速(EDV)、阻力指数(RI)、搏动指数(PI)及门静脉流速、脾静脉流速、脾动脉PSV、EDV、RI、PI,SWE获取脾脏弹性均值;收集实验室检查指标,比较两组上述检查结果的差异.采用多因素Logistic回归分析筛选预测肝硬化EGVB的独立影响因素,并基于此分别构建决策树模型和随机森林模型.绘制受试者工作特征(ROC)曲线分析并比较两种模型的预测效能.结果 低风险组与高风险组脾静脉内径、门静脉流速、脾脏弹性均值、凝血酶原时间(PT)、血小板计数(PLT)、白蛋白(ALB)比较差异均有统计学意义(均P<0.05).多因素Logistic回归分析显示,脾静脉内径、门静脉流速、脾脏弹性均值、PT、ALB均为预测肝硬化EGVB的独立影响因素(均P<0.05),基于此分别构建决策树模型和随机森林模型.ROC曲线分析显示,决策树模型和随机森林模型预测肝硬化EGVB的曲线下面积分别为0.919(95%可信区间:0.869～0.969)和0.955(95%可信区间:0.923～0.987),二者比较差异有统计学意义(P=0.037).结论 基于多模态超声的随机森林模型在预测肝硬化EGVB方面较决策树模型具有更好的临床价值.
更多相关知识
关键词
超声检查脉冲多普勒剪切波弹性成像肝硬化食管胃底静脉曲张破裂出血随机森林算法决策树算法UltrasonographyPulse wave DopplerShear wave elastographyLiver cirrhosisEsophagogastric variceal bleedingRandom forest algorithmDecision tree algorithm
分类号
R445.1（诊断学）
栏目名称
DOI
10.3969/j.issn.1008-6978.2026.03.004
发布时间
2026-04-10（万方平台首次上网日期，不代表论文的发表时间）
基金项目
重庆市璧山区社会民生领域科技计划项目（BSKJ2024047）
- 浏览10
- 被引0
- 下载2
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
