机器学习模型揭示肢端肥大症患者死亡率的关键预测因子

　　研究人员通过机器学习(ML)技术对607例肢端肥大症患者进行死亡率预测分析。研究采用网格搜索比较了1,200种模型配置，构建了100个可解释增强机(EBM)变体组成的集成模型。结果显示单EBM模型MCC达0.88，AUC达0.99，识别出高血压、经蝶手术(TSS)等关键预测因子。该研究为临床决策提供了兼具准确性与可解释性的AI工具。

　　

这项开创性研究运用机器学习算法深入探究了肢端肥大症患者的死亡风险因素。科研团队对607例病例数据进行多维度分析，通过网格搜索技术系统评估了5类预测模型的1,200种参数组合。特别引人注目的是，研究创新性地构建了包含100个可解释增强机(Explainable Boosting Machine, EBM)变体的虚拟集成模型，并采用50次随机训练-测试分割验证其稳健性。

研究数据揭示，单一EBM模型展现出惊人的预测效能：马修斯相关系数(MCC)高达0.88，受试者工作特征曲线下面积(AUC)更达到0.99的优异水平。特征重要性分析锁定了六大关键预测因子：高血压、首次经蝶手术(transsphenoidal surgery, TSS)治疗、病程时长、基线胰岛素样生长因子1(IGF-1)水平、垂体功能减退以及重复TSS手术。

虚拟集成模型在泛化性能测试中表现突出，50次随机数据分割的平均MCC为0.64±0.08，AUC维持在0.96±0.015的高水平。队列数据显示：女性占比58%，大腺瘤(macroadenomas)患者达66.9%。83.2%病例首选TSS治疗，辅助治疗包括生长抑素类似物(57%)、卡麦角林(35.6%)等，总体治疗成功率为77.8%。高血压(37.2%)和糖尿病(36.4%)是最常见合并症，8.4%的死亡率主要归因于心血管疾病(41.2%)和恶性肿瘤(21.6%)。

该研究开创性地证明，机器学习技术不仅能准确分类肢端肥大症患者的生存状态，更能识别关键死亡率预测因子。所开发的集成模型完美平衡了预测精度与临床可解释性，为内分泌科医生提供了可靠的决策支持工具。这些发现将显著提升对肢端肥大症这一复杂内分泌疾病的预后评估与管理水平。