HBV-ACLF短期死亡影響因素分析及預(yù)后模型的建立與比較研究

李楠 鄭嶸炅 揭方榮 朱艷芳 魯曉擘

HBV相關(guān)慢加急性肝衰竭(HBV-related acute-on-chronic liver failure, HBV-ACLF)常伴有多臟器功能損害，并發(fā)癥多，3個月的病死率高(40%～70%)[1-3]。如何根據(jù)臨床表現(xiàn)及實驗室檢查等手段準(zhǔn)確判斷HBV-ACLF患者的預(yù)后，對于制訂臨床治療策略有很好的指導(dǎo)意義。本研究的目的是采用機(jī)器學(xué)習(xí)中的Bagging算法分析HBV-ACLF短期死亡影響因素并建立HBV-ACLF短期預(yù)后模型，比較其與MELD評分對患者短期預(yù)后評估的效能。

資料與方法

一、研究對象

收集2010年1月至2017年4月在新疆醫(yī)科大學(xué)第一附屬醫(yī)院感染性疾病中心住院且資料齊全、隨訪至少3個月的HBV-ACLF患者131例，其中男性110例，女性21例，年齡22～81歲。依據(jù)電話隨訪3個月生存情況，將其分為生存組和死亡組。HBV-ACLF納入標(biāo)準(zhǔn)：①年齡≥18歲；②有慢性乙型病毒性肝炎(CHB)病史，且HBsAg陽性超過6個月；③近28 d內(nèi)黃疸進(jìn)行性加深[總膽紅素(TBil)≥171 μmol/L或者每日上升≥17.1 μmol/L]，伴凝血功能障礙[凝血酶原活動度(PTA)≤40%或國際標(biāo)準(zhǔn)化比率(INR)≥1.5]，同時伴有腹水和(或)肝性腦病。排除標(biāo)準(zhǔn)：①合并藥物性、酒精性、自身免疫性、脂肪性、代謝性肝病等其他因素肝損害，②合并其他嗜肝病毒感染，③合并妊娠，④合并其他嚴(yán)重影響生命的疾病，⑤肝移植術(shù)后患者。

二、 觀察指標(biāo)

收集131例患者診斷HBV-ACLF時的年齡、性別、血白蛋白、血尿素、血肌酐、血鈉、血氨、總膽紅素、間接膽紅素、直接膽紅素、谷丙轉(zhuǎn)氨酶、谷草轉(zhuǎn)氨酶、堿性磷酸酶、甲胎蛋白、甘油三酯、膽固醇、高密度脂蛋白、低密度脂蛋白、空腹血糖、血膽汁酸、膽堿酯酶、白細(xì)胞、中性粒細(xì)胞百分比、降鈣素原、血小板、血漿凝血酶原時間、凝血酶原活動度、國際標(biāo)準(zhǔn)化比值、血漿纖維蛋白原、活化部分凝血活酶時間、確診乙肝時間、乙肝表面抗原定量、HBV DNA、發(fā)病時是否使用抗病毒藥物、有無食管胃底靜脈曲張、有無脾大、有無脂肪肝、吸煙史、飲酒史、發(fā)病至入院天數(shù)。

三、研究方法

Bagging算法(Bootstrap Aggregation，Bagging)：Breiman 于1996年提出了著名的Bagging方法，它是改進(jìn)不穩(wěn)定學(xué)習(xí)算法和規(guī)則學(xué)習(xí)算法的準(zhǔn)確性的簡單但強(qiáng)大的獨(dú)立集成方法之一。該方法主要基于可重復(fù)采樣(Bootstrap Sampling)技術(shù)，即每次按照一定的概率，以“有放回”的方式重新選取樣本，這樣就可以產(chǎn)生多個具有差異性的樣本子集；然后利用這些不同的樣本子集分別對多個基分類器進(jìn)行訓(xùn)練就可以得到具有一定多樣性的集成分類器。 Bagging模型的多樣性策略簡單而有效，可以降低誤差(variance)，并且可以避免過擬合。

MELD評分[4]計算公式為：11.2×ln(INR)+3.8×ln(總膽紅素mg/dL)+9.6×ln(血清Cr mr/dL)+6.4×(病原學(xué)：酒精性或膽汁淤積性為0,其他為1)。

四、統(tǒng)計學(xué)方法

一般資料的分析，通過軟件SPSS.19.0完成，計數(shù)資料采用卡方檢驗，計量資料采用t檢驗。Bagging算法通過軟件R 3.4.1進(jìn)行處理。采用受試者工作曲線( receiver operating characteristic curve，ROC)及曲線下面積( area under the curve，AUC)比較Bagging算法及MELD評分對預(yù)后的評估效能。P<0.05為差異有統(tǒng)計學(xué)意義。

結(jié) 果

一、一般資料

本研究共納入131例HBV-ALCF患者，3個月內(nèi)死亡61例，存活70例，3個月病死率為46.6%。生存組男59人，女11人，死亡組男51人，女10人，兩組性別差異無統(tǒng)計學(xué)意義。生存組和死亡組平均年齡分別為(43±11.03)歲和(50±15.28)歲，差異有統(tǒng)計學(xué)意義(P<0.05)。

二、Bagging算法結(jié)果

HBV-ALCF患者生存狀況為二分類變量(生存和死亡)，我們將41個特征變量作為自變量納入Bagging模型來預(yù)測作為因變量的HBV-ALCF患者的生存狀況。在本實驗中，數(shù)據(jù)集被劃分為二部分：訓(xùn)練集(全部數(shù)據(jù))、測試集(10-折交叉驗證方式產(chǎn)生測試集)，利用R軟件中的Fold()函數(shù)來產(chǎn)生測試集，它將整個數(shù)據(jù)集分成10份，每次實驗取其中一份作為測試集，剩余的9份作為訓(xùn)練集，取多次測試準(zhǔn)確率的平均值作為最終結(jié)果。10-折交叉驗證保證了數(shù)據(jù)集中的每一個樣本都有機(jī)會作為測試集和訓(xùn)練集。Bagging算法的核心函數(shù)為bagging()函數(shù)。

圖1顯示了41個特征變量和它們的重要性得分，從中我們可以明顯得出HBV-ACLF短期死亡影響因素順序依次為年齡、凝血酶原活動度、血漿凝血酶原時間、白蛋白、血尿素、血鈉、血小板、甘油三酯、血漿纖維蛋白原、中性粒細(xì)胞百分比。利用Bagging算法分類的結(jié)果，計算出Bagging模型的準(zhǔn)確率為90%,靈敏度90%,特異度90%,誤判率10%，10折交叉驗證數(shù)據(jù)集的平均誤判率為30.92%。

三、ROC曲線及相關(guān)結(jié)果

Bagging算法及MELD評分ROC曲線下面積分別為0.9743，0.6985。MELD評分對HBV-ACLF患者3個月病死率預(yù)測能力弱，Bagging模型預(yù)測能力強(qiáng)。

圖1 Bagging算法特征變量重要性得分

討 論

目前，臨床上對HBV- ACLF患者的診療難度較大。很多HBV-ACLF患者對常規(guī)藥物治療效果差，往往需要短期內(nèi)接受人工肝、肝移植等治療。另外，影響該類患者近期預(yù)后的因素尚未十分明確。目前臨床上最常用的預(yù)后評分模型仍是基于歐美人群(酒精性、藥物性肝病、丙肝為主)終末期肝病建立的評分標(biāo)準(zhǔn)，如MELD評分系統(tǒng)、Child-Pugh分級評分[5-6]、慢性肝衰竭-序貫器官衰竭評估(CLIF-SOFA)評分模型等[7]，它們對于HBV- ACLF患者的預(yù)后準(zhǔn)確性不夠滿意[8-9]。HBV- ACLF患者的病情嚴(yán)重程度及預(yù)后如何，是否應(yīng)及早肝移植，亟需準(zhǔn)確的預(yù)后評估系統(tǒng)進(jìn)行評估及判斷。

MELD評分被廣泛應(yīng)用于肝衰竭病人特別是終末期肝病患者的預(yù)后評估。MELD評分的優(yōu)點(diǎn)是無肝性腦病等主觀性指標(biāo)，血肌酐、血膽紅素及國際標(biāo)準(zhǔn)化比值均以客觀的實驗室檢查作為依據(jù)，唯一需要醫(yī)師判斷的指標(biāo)是病因，故結(jié)果較為客觀。

本研究中，Bagging模型相比MELD評分法預(yù)測效果好(見圖2)。從Bagging模型所得重要性評分可以看出，年齡、凝血酶原活動度、血漿凝血酶原時間、白蛋白、血尿素、血鈉、血小板、甘油三酯、血漿纖維蛋白原、中性粒細(xì)胞百分比是影響HBV-ACLF患者預(yù)后前十位的重要指標(biāo)。

年齡及凝血功能對HBV-ACLF患者的預(yù)后有重要影響，這在國內(nèi)、國際的研究中均已得到論證[10-11]。血清白蛋白(Alb)通常被用來評估肝臟合成功能，但患者的基礎(chǔ)營養(yǎng)狀況對白蛋白的水平有一定影響，故臨床上并不能完全以血清白蛋白來評估肝臟合成功能。血尿素氮(BUN)、血鈉(Na)是臨床評價腎功能的重要指標(biāo)。因BUN的產(chǎn)生受很多因素的影響，如感染、發(fā)熱、高蛋白飲食、營養(yǎng)不良等高分解狀態(tài)等，而血肌酐(Cr)是由肌肉組織釋放的，較少受疾病及代謝狀態(tài)的影響，故目前觀點(diǎn)普遍認(rèn)為，Cr水平是比BUN更準(zhǔn)確的評價腎功能指標(biāo)。但有研究表明在急性肝損傷發(fā)生過程中BUN是比Cr更敏感的指標(biāo)[12]?？紤]因尿素經(jīng)由肝臟合成，當(dāng)肝功能異常，BUN的代謝則更容易受到影響。血小板計數(shù)主要與以下因素相關(guān)：①肝臟、腎臟所產(chǎn)生的促血小板生成素(TPO)的減少；②門脈高壓癥所造成的脾大脾亢，導(dǎo)致血小板被大量清除。脾功能亢進(jìn)多為肝硬化期或者肝硬化失代償期，故本指標(biāo)亦提示發(fā)病前肝臟基礎(chǔ)功能已明顯損害的患者，預(yù)后更差。甘油三酯(TG)：當(dāng)肝細(xì)胞受損嚴(yán)重時，肝臟參與的內(nèi)源性脂蛋白代謝途徑明顯受到影響。在既往關(guān)于HBV-ACLF的預(yù)后因素分析中，鮮少有把甘油三酯列入預(yù)后模型的研究，臨床上也極少會考慮甘油三酯對HBV-ACLF患者預(yù)后的影響，值得引起注意。中性粒細(xì)胞百分比升高往往提示存在細(xì)菌感染，慢加急性肝衰竭時患者免疫力下降，易并發(fā)肺部感染、腹腔感染等，進(jìn)一步加重對機(jī)體的打擊。

另外，Bagging算法中膽紅素指標(biāo)的重要性在第11位，與傳統(tǒng)評分系統(tǒng)相比，重要性靠后?？紤]因為ACLF診斷中膽紅素的標(biāo)準(zhǔn)每日上升≥17.1 μmol/L，故早期就診且行血液檢驗的患者的膽紅素可能未達(dá)到171 μmol/L。另外，目前血液透析等治療手段的臨床應(yīng)用對血膽紅素值的干預(yù)也占重要作用[13]。膽紅素在肝臟瘀滯會使肝細(xì)胞功能受損，同時血膽紅素過高也會對大腦及神經(jīng)系統(tǒng)造成損害，故膽紅素指標(biāo)仍是評價肝功能及預(yù)后的重要指標(biāo)之一。

機(jī)器學(xué)習(xí)因其智能化的分析模式而在分析數(shù)據(jù)時占據(jù)優(yōu)勢。越來越多的疾病開始使用機(jī)器學(xué)習(xí)方法構(gòu)建診斷及預(yù)后模型，比如肝性腦病預(yù)后因素分析[14]、前列腺癌的診斷及乳腺癌的診斷等。若能實現(xiàn)多中心、大樣本量(>500例)數(shù)據(jù)訓(xùn)練，則可以建立準(zhǔn)確性更高的預(yù)測模型。本研究中，我們希望將來可以納入更多樣本，建立精確的預(yù)后評估模型，實現(xiàn)對HBV- ACLF患者的精準(zhǔn)的預(yù)后判斷。同時我們希望，能夠開發(fā)出相關(guān)檢測軟件(APP)，將給臨床工作帶來便利。