机器学习预测经支气管肺活检失败后CT引导下挽救性肺穿刺活检的严重不良事件与诊断成功率

　　本研究针对经支气管肺活检(TBLB)失败后缺乏CT引导下经皮肺穿刺活检(PNLB)风险分层工具的临床需求，开发了双XGBoost模型：模型1预测PNLB严重不良事件(SAEs)(AUC=0.717)，模型2预测挽救性诊断成功率(AUC=0.884)，为个性化活检路径优化提供决策支持。

　　

机器学习技术正在革新肺部活检的风险评估领域！针对经支气管肺活检(TBLB)失败后的临床决策困境，研究人员开展了一项多中心预测模型研究，开发了双模型预测系统：模型1聚焦CT引导下经皮肺穿刺活检(PNLB)的严重不良事件(SAEs)预测，整合了性别、吸烟史、胸膜接触、病灶大小和穿刺深度等关键变量；模型2则针对TBLB失败后的挽救性PNLB诊断成功率，纳入年龄、病灶大小、病灶特征和支气管镜后病理分类(PBPCs)等预测因子。

研究纳入2910例PNLB病例（中心1：2016-2020年n=2653；中心2：2017-2022年n=257），采用LASSO回归进行变量筛选，并比较了十种机器学习算法。结果显示XGBoost算法表现最优：模型1在外部验证中获得ROC-AUC 0.717(95%CI:0.609-0.825)，模型2更是达到ROC-AUC 0.884(95%CI:0.784-0.984)。通过判别指标、校准曲线和决策曲线分析证实，该双模型系统能有效量化SAE风险与诊断获益的平衡，为临床提供个性化活检策略选择依据，最终实现安全性与诊断效能的精准权衡。