壹生资讯-基于机器学习的CAGIB评分可有效预测肝硬化合并AGIB患者的院内死亡

您已通过HCP身份认证和信息审核

(

基于机器学习的CAGIB评分可有效预测肝硬化合并AGIB患者的院内死亡 | 消化临床研究展播

2026-03-10作者：论坛报小塔资讯

原创

2.35.jpg

研究介绍

急性胃肠道出血（AGIB）是肝硬化的一种潜在致命并发症。2019年，北部战区总医院消化内科团队领衔完成了一项全国多中心回顾性研究，首次构建了CAGIB评分系统，用于评估肝硬化急性消化道出血患者的院内死亡风险（Adv Ther. 2019 Nov;36(11):3211-3220.）。然而，该评分的临床预测准确性仅为82.9%，并不令人满意。为此，团队于2020年牵头启动了V-CAGIB前瞻性研究，联合中国、印度、巴西、泰国、德国、意大利、墨西哥以及土耳其的23家医院的研究团队，在原有CAGIB评分基础上，运用机器学习的方法，成功构建了LS-SVMR预测模型。这一突破性进展将肝硬化急性消化道出血患者院内死亡风险的预测准确率显著提升至98.6%，为临床实践提供了更可靠的决策依据。研究论文于2025年7月发表在Nature子刊《NPJ数字医学》（NPJ Digital Medicine，IF=15.1）杂志。

在这项前瞻性国际多中心研究中，验证了CAGIB评分在预测2467例肝硬化AGIB患者的院内死亡风险方面的表现。基于CAGIB评分的组成部分建立了机器学习（ML）模型，并计算和比较了它们的曲线下面积（AUC）。采用灰区法进一步对死亡风险进行分层。在训练队列中，CAGIB评分的AUC为0.789。在机器学习模型中，最小二乘支持向量机回归（LS-SVMR）模型具有最佳的预测性能（AUC = 0.986）。患者进一步被分为低危（LS-SVMR评分<0.084）、中危（LS-SVMR评分0.084-0.160）和高危（LS-SVMR评分>0.160）组，其院内死亡率分别为0.38%、2.22%和64.37%。统计结果在验证队列中得到保留。

结论为，LS-SVMR模型对肝硬化合并AGIB患者的院内死亡具有优异的预测性能。

每一项临床研究都倾注着研究团队的心血结晶。学习过后，您是否有所收获？或有疑问想与主创团队分享？请在评论区留言，期待与您交流！

END

200 评论

知情同意书

基于机器学习的CAGIB评分可有效预测肝硬化合并AGIB患者的院内死亡 | 消化临床研究展播

热门资讯

关于我们

中国医学论坛报微信矩阵

助力乡村振兴帮扶行动

友情链接