肝硬化住院患者的死亡率预测通过机器学习技术得到显著提升。在全球性研究中，相较于传统方法，新模型展现出跨收入水平国家的预测一致性。弗吉尼亚联邦大学里士满分校的医学教授贾斯莫汗·巴杰医生表示："这个高度包容性、代表性的全球模型已经过外部验证，它就像一个水晶球，能帮助医院团队、移植中心及重症监护部门更有效地对患者进行分诊和优先级排序。"
该研究模型已在《胃肠病学》期刊在线发表，研究者指出全球不同地区在医疗资源、门诊服务、入院原因和肝硬化病因等方面存在差异，这些因素都会影响患者预后。研究团队分析了来自6大洲115个医疗机构的7239名肝硬化住院患者数据（平均年龄56岁，64%为男性，MELD-Na中位数25），其中22.5%机构位于低收入国家，41%在中高收入国家，34%在高收入国家。11.1%的患者在住院期间死亡。
通过对比机器学习与逻辑回归模型，随机森林算法以0.815的AUC值显著优于参数化逻辑回归（0.774）和LASSO模型（0.787）。在不同收入国家中，该模型均表现出优越性：高收入国家AUC达0.806，中高收入国家0.867，低收入国家0.768。最重要的15个预测变量包括急性肾损伤入院、肝性脑病、高MELD-Na/白细胞计数及非高收入国家等危险因素。而白蛋白水平、血红蛋白浓度、入院时使用利尿剂、病毒病因及身处高收入国家则显示保护作用。
在28,670名退伍军人（平均年龄67岁，96%男性，MELD-Na中位数15）的外部验证中，该模型使用48个变量时AUC达0.859，精简为15个变量时仍保持0.851的预测效能。巴杰医生强调，虽然机器学习是多维度管理策略的重要组成部分，但高危患者仍需临床团队与家属进行充分沟通，以制定包括移植评估在内的治疗决策。
西奈山医疗系统肝脏病科主任梅娜·班萨尔医生评价该工具有"极大潜力"，但建议在更多学术移植中心验证其适用性。研究限制包括排除了接受肝移植的患者群体。该研究获得退伍军人事务部和美国国立卫生研究院资助，研究者声明无利益冲突。
【全文结束】
