预测肝移植手术红细胞输注的机器学习模型

笔者之前工作的单位是某省具备肝移植资质的医院，由于供者来源的原因，移植手术经常来得比较急，手术需要用血量较大（尤其血浆、冷沉淀等），给输血科备血带来挑战。 

临床医师为了确保手术成功，往往会在备血部分宁纵勿枉，血液浪费的情况时有发生。如果能够根据患者情况，对患者是否需要用血做出综合评估，对于临床决策非常重要，一方面可以减少不必要的浪费，另外对于也可以减少输血产生的副作用及风险，有利于患者治疗和预后。   

曾经，小编也想过通过实验室数据和患者基线情况，拟合用血模型，无奈，移植患者输血尚比较粗放，常以package的形式申请用血，临床医师也不认为该研究具备很强的现实意义，只有作罢。   

今年2月，国内学者在Front. Med杂志发表Machine Learning for the Prediction of Red Blood Cell Transfusion inPatients During or After Liver Transplantation Surgery的研究文章，笔者简要给大家做个介绍。  

研究目的：通过机器学习算法来识别关键的术前变量，并预测肝移植手术期间或之后的红细胞输注。   

研究方法与内容： 

时间：2014.3-2019.9 

参与单位：中南大学湘雅二医院、中南大学湘雅三医院、上海交通大学医学院附属仁济医院 

研究对象：18岁以上接受肝移植患者（背驮式），其中，接受术前输血及数据缺失率超过80%的患者被排除在外，共计1193名 

观察指标：手术前24小时内共收集了24个术前变量。对于一些具有多个测量值的变量，评估最接近手术开始时间的值。收集的术前信息包括患者的人口统计学特征(年龄和性别)、临床特征(体重)、诊断(肝硬化、恶性肝肿瘤、肝衰竭、酒精性肝炎、病毒性肝炎、肝脏占位性病变、胆汁淤积性肝病或其他)、术前临床体征(门静脉高压、肝性脑病和腹水)和术前实验室指标(白蛋白、球蛋白和总蛋白)。所有变量均来自三家医院的电子病历系统。 

分析：数据集被随机分成训练集和验证集。835名(70%)患者的数据被用于开发我们的模型，而358名(30%)患者的数据被用作验证集。采用的计算模型在此不赘述，通过递归拟合，按照特征重要性排序，逐渐消除直到模型AUROC＜0.8为止，最后一个被消除的特征被替换，使得AUROC＞0.8，至此，模型建立，然后通过验证集进行验证。  

结果： 

1、筛选出9个关键变量：门静脉高压，年龄，Hb、诊断、D-Bil，APTT，Glb，AST，ALT。 

2、该模型AUROC为0.813 

3、该模型敏感性和特异性分别为66.4%和85.0% 

4、前瞻性收集31名患者的数据进行验证，其中87%(25人)在肝移植手术期间或之后输血。该模型在预期数据集上的准确率为76.9%。有一名患者接受了输血，但模型预测为阴性。他在术中意外出血(失血约2000毫升)。在8名未输血但模型预测为阳性的患者中，2名输注了大量血小板，其他患者的概率(75.41–83.49%)接近临界值。  

该研究创新性地将机器学习算法用于预测肝移植红细胞输注，初步建立了模型，具有一定的特异性和敏感性。有研究表明，红细胞输注会增加肝移植患者术后并发症，并与5年生存率负相关，因此，有必要通过有效措施来减少红细胞输注，除了诸如使用氨甲环酸、EPO、口服铁剂等手段之外，如果术前能够对红细胞输注做出预测，对于“高危”患者提前干预，具有重要意义。   

该模型可能尚需进一步优化、论证，但为我们提供了一个好的思路。