李楠 郑嵘炅 揭方荣 朱艳芳 鲁晓擘

HBV相关慢加急性肝衰竭(HBV-related acute-on-chronic liver failure, HBV-ACLF)常伴有多脏器功能损害，并发症多，3个月的病死率高(40%～70%)[1-3]。如何根据临床表现及实验室检查等手段准确判断HBV-ACLF患者的预后，对于制订临床治疗策略有很好的指导意义。本研究的目的是采用机器学习中的Bagging算法分析HBV-ACLF短期死亡影响因素并建立HBV-ACLF短期预后模型，比较其与MELD评分对患者短期预后评估的效能。

资料与方法

一、研究对象

收集2010年1月至2017年4月在新疆医科大学第一附属医院感染性疾病中心住院且资料齐全、随访至少3个月的HBV-ACLF患者131例，其中男性110例，女性21例，年龄22～81岁。依据电话随访3个月生存情况，将其分为生存组和死亡组。HBV-ACLF纳入标准：①年龄≥18岁；②有慢性乙型病毒性肝炎(CHB)病史，且HBsAg阳性超过6个月；③近28 d内黄疸进行性加深[总胆红素(TBil)≥171 μmol/L或者每日上升≥17.1 μmol/L]，伴凝血功能障碍[凝血酶原活动度(PTA)≤40%或国际标准化比率(INR)≥1.5]，同时伴有腹水和(或)肝性脑病。排除标准：①合并药物性、酒精性、自身免疫性、脂肪性、代谢性肝病等其他因素肝损害，②合并其他嗜肝病毒感染，③合并妊娠，④合并其他严重影响生命的疾病，⑤肝移植术后患者。

二、 观察指标

收集131例患者诊断HBV-ACLF时的年龄、性别、血白蛋白、血尿素、血肌酐、血钠、血氨、总胆红素、间接胆红素、直接胆红素、谷丙转氨酶、谷草转氨酶、碱性磷酸酶、甲胎蛋白、甘油三酯、胆固醇、高密度脂蛋白、低密度脂蛋白、空腹血糖、血胆汁酸、胆碱酯酶、白细胞、中性粒细胞百分比、降钙素原、血小板、血浆凝血酶原时间、凝血酶原活动度、国际标准化比值、血浆纤维蛋白原、活化部分凝血活酶时间、确诊乙肝时间、乙肝表面抗原定量、HBV DNA、发病时是否使用抗病毒药物、有无食管胃底静脉曲张、有无脾大、有无脂肪肝、吸烟史、饮酒史、发病至入院天数。

三、研究方法

Bagging算法(Bootstrap Aggregation，Bagging)：Breiman 于1996年提出了著名的Bagging方法，它是改进不稳定学习算法和规则学习算法的准确性的简单但强大的独立集成方法之一。该方法主要基于可重复采样(Bootstrap Sampling)技术，即每次按照一定的概率，以“有放回”的方式重新选取样本，这样就可以产生多个具有差异性的样本子集；然后利用这些不同的样本子集分别对多个基分类器进行训练就可以得到具有一定多样性的集成分类器。 Bagging模型的多样性策略简单而有效，可以降低误差(variance)，并且可以避免过拟合。

MELD评分[4]计算公式为：11.2×ln(INR)+3.8×ln(总胆红素mg/dL)+9.6×ln(血清Cr mr/dL)+6.4×(病原学：酒精性或胆汁淤积性为0,其他为1)。

四、统计学方法

一般资料的分析，通过软件SPSS.19.0完成，计数资料采用卡方检验，计量资料采用t检验。Bagging算法通过软件R 3.4.1进行处理。采用受试者工作曲线( receiver operating characteristic curve，ROC)及曲线下面积( area under the curve，AUC)比较Bagging算法及MELD评分对预后的评估效能。P<0.05为差异有统计学意义。

结 果

一、一般资料

本研究共纳入131例HBV-ALCF患者，3个月内死亡61例，存活70例，3个月病死率为46.6%。生存组男59人，女11人，死亡组男51人，女10人，两组性别差异无统计学意义。生存组和死亡组平均年龄分别为(43±11.03)岁和(50±15.28)岁，差异有统计学意义(P<0.05)。

二、Bagging算法结果

HBV-ALCF患者生存状况为二分类变量(生存和死亡)，我们将41个特征变量作为自变量纳入Bagging模型来预测作为因变量的HBV-ALCF患者的生存状况。在本实验中，数据集被划分为二部分：训练集(全部数据)、测试集(10-折交叉验证方式产生测试集)，利用R软件中的Fold()函数来产生测试集，它将整个数据集分成10份，每次实验取其中一份作为测试集，剩余的9份作为训练集，取多次测试准确率的平均值作为最终结果。10-折交叉验证保证了数据集中的每一个样本都有机会作为测试集和训练集。Bagging算法的核心函数为bagging()函数。

图1显示了41个特征变量和它们的重要性得分，从中我们可以明显得出HBV-ACLF短期死亡影响因素顺序依次为年龄、凝血酶原活动度、血浆凝血酶原时间、白蛋白、血尿素、血钠、血小板、甘油三酯、血浆纤维蛋白原、中性粒细胞百分比。利用Bagging算法分类的结果，计算出Bagging模型的准确率为90%,灵敏度90%,特异度90%,误判率10%，10折交叉验证数据集的平均误判率为30.92%。

三、ROC曲线及相关结果

Bagging算法及MELD评分ROC曲线下面积分别为0.9743，0.6985。MELD评分对HBV-ACLF患者3个月病死率预测能力弱，Bagging模型预测能力强。

图1 Bagging算法特征变量重要性得分

讨 论

目前，临床上对HBV- ACLF患者的诊疗难度较大。很多HBV-ACLF患者对常规药物治疗效果差，往往需要短期内接受人工肝、肝移植等治疗。另外，影响该类患者近期预后的因素尚未十分明确。目前临床上最常用的预后评分模型仍是基于欧美人群(酒精性、药物性肝病、丙肝为主)终末期肝病建立的评分标准，如MELD评分系统、Child-Pugh分级评分[5-6]、慢性肝衰竭-序贯器官衰竭评估(CLIF-SOFA)评分模型等[7]，它们对于HBV- ACLF患者的预后准确性不够满意[8-9]。HBV- ACLF患者的病情严重程度及预后如何，是否应及早肝移植，亟需准确的预后评估系统进行评估及判断。

MELD评分被广泛应用于肝衰竭病人特别是终末期肝病患者的预后评估。MELD评分的优点是无肝性脑病等主观性指标，血肌酐、血胆红素及国际标准化比值均以客观的实验室检查作为依据，唯一需要医师判断的指标是病因，故结果较为客观。

本研究中，Bagging模型相比MELD评分法预测效果好(见图2)。从Bagging模型所得重要性评分可以看出，年龄、凝血酶原活动度、血浆凝血酶原时间、白蛋白、血尿素、血钠、血小板、甘油三酯、血浆纤维蛋白原、中性粒细胞百分比是影响HBV-ACLF患者预后前十位的重要指标。

年龄及凝血功能对HBV-ACLF患者的预后有重要影响，这在国内、国际的研究中均已得到论证[10-11]。血清白蛋白(Alb)通常被用来评估肝脏合成功能，但患者的基础营养状况对白蛋白的水平有一定影响，故临床上并不能完全以血清白蛋白来评估肝脏合成功能。血尿素氮(BUN)、血钠(Na)是临床评价肾功能的重要指标。因BUN的产生受很多因素的影响，如感染、发热、高蛋白饮食、营养不良等高分解状态等，而血肌酐(Cr)是由肌肉组织释放的，较少受疾病及代谢状态的影响，故目前观点普遍认为，Cr水平是比BUN更准确的评价肾功能指标。但有研究表明在急性肝损伤发生过程中BUN是比Cr更敏感的指标[12]。考虑因尿素经由肝脏合成，当肝功能异常，BUN的代谢则更容易受到影响。血小板计数主要与以下因素相关：①肝脏、肾脏所产生的促血小板生成素(TPO)的减少；②门脉高压症所造成的脾大脾亢，导致血小板被大量清除。脾功能亢进多为肝硬化期或者肝硬化失代偿期，故本指标亦提示发病前肝脏基础功能已明显损害的患者，预后更差。甘油三酯(TG)：当肝细胞受损严重时，肝脏参与的内源性脂蛋白代谢途径明显受到影响。在既往关于HBV-ACLF的预后因素分析中，鲜少有把甘油三酯列入预后模型的研究，临床上也极少会考虑甘油三酯对HBV-ACLF患者预后的影响，值得引起注意。中性粒细胞百分比升高往往提示存在细菌感染，慢加急性肝衰竭时患者免疫力下降，易并发肺部感染、腹腔感染等，进一步加重对机体的打击。

另外，Bagging算法中胆红素指标的重要性在第11位，与传统评分系统相比，重要性靠后。考虑因为ACLF诊断中胆红素的标准每日上升≥17.1 μmol/L，故早期就诊且行血液检验的患者的胆红素可能未达到171 μmol/L。另外，目前血液透析等治疗手段的临床应用对血胆红素值的干预也占重要作用[13]。胆红素在肝脏瘀滞会使肝细胞功能受损，同时血胆红素过高也会对大脑及神经系统造成损害，故胆红素指标仍是评价肝功能及预后的重要指标之一。

机器学习因其智能化的分析模式而在分析数据时占据优势。越来越多的疾病开始使用机器学习方法构建诊断及预后模型，比如肝性脑病预后因素分析[14]、前列腺癌的诊断及乳腺癌的诊断等。若能实现多中心、大样本量(>500例)数据训练，则可以建立准确性更高的预测模型。本研究中，我们希望将来可以纳入更多样本，建立精确的预后评估模型，实现对HBV- ACLF患者的精准的预后判断。同时我们希望，能够开发出相关检测软件(APP)，将给临床工作带来便利。