Online interpretierbare dynamische Vorhersagemodelle für klinisch signifikante posthepatische Leberinsuffizienz basierend auf maschinellen Lernalgorithmen: Eine retrospektive Kohortenstudie

Hintergrund: Die posthepatische Leberinsuffizienz (PHLF) ist die häufigste Todesursache bei Patienten, die eine Hepatektomie durchlaufen. Praktische Modelle zur genauen Vorhersage des Risikos einer PHLF fehlen jedoch. Diese Studie hatte zum Ziel, präzise Vorhersagemodelle für klinisch signifikante PHLF zu entwickeln. Methoden: Insgesamt wurden 226 Patienten, die an einem einzigen Zentrum eine Hepatektomie durchliefen, rekrutiert. Das Studienergebnis war klinisch signifikante PHLF. Fünf prä- und postoperative Maschinenlern (ML)-Modelle wurden entwickelt und mit vier klinischen Scores verglichen, nämlich den MELD-, FIB-4-, ALBI- und APRI-Scores. Die Robustheit der entwickelten ML-Modelle wurde intern validiert, indem eine 5-fache Kreuzvalidierung durchgeführt und der Durchschnitt der Evaluationsmetriken berechnet wurde, und extern an einem unabhängigen zeitlichen Datensatz validiert, einschließlich der Fläche unter der Kurve (AUC) und der Fläche unter der Präzisions-Rückruf-Kurve (AUPRC). Eine SHapley Additive exPlanations-Analyse wurde durchgeführt, um das leistungsstärkste Modell zu interpretieren. Ergebnisse: Klinisch signifikante PHLF wurde bei 23 von 226 Patienten (10,2 %) beobachtet. Die Variablen im präoperativen Modell umfassten Kreatinin, Gesamtbilirubin und Child-Pugh-Grad. Neben den oben genannten Faktoren war das Ausmaß der Resektion auch eine Schlüsselvariable für das postoperative Modell. Die prä- und postoperativen künstlichen neuronalen Netzwerk (ANN)-Modelle zeigten hervorragende Leistungen mit mittleren AUCs von 0,766 und 0,851 sowie mittleren AUPRC-Werten von 0,441 und 0,645, während die MELD-, FIB-4-, ALBI- und APRI-Scores AUCs von 0,714, 0,498, 0,536 und 0,551 sowie AUPRC-Werte von 0,204, 0,111, 0,128 und 0,163 erreichten. Darüber hinaus lagen die AUCs der prä- und postoperativen ANN-Modelle bei 0,720 und 0,731, während die AUPRC-Werte bei 0,380 und 0,408 lagen, respektive im zeitlichen Datensatz. Schlussfolgerung: Unsere online interpretierbaren dynamischen ML-Modelle übertrafen gängige klinische Scores und könnten als Instrument zur klinischen Entscheidungsunterstützung fungieren, um Patienten mit hohem Risiko einer PHLF prä- und postoperativ zu identifizieren.