文献类型： 中文期刊

作者： 谢琴琴 ¹ ; 季欢欢 ² ; 杨雅 ² ; 龚美玲 ¹ ; 贾运涛 ² ;

作者机构： 1.重庆医科大学药学院

2.重庆医科大学附属儿童医院药学部国家儿童健康与疾病临床医学研究中心儿童发育疾病研究教育部重点实验室儿童发育重大疾病国家国际科技合作基地儿童感染与免疫罕见病重庆市重点实验室

关键词： 儿童;抗结核治疗;抗结核药物肝损伤;机器学习;风险预测模型

期刊名称： 中国现代应用药学

ISSN： 1007-7693

年卷期： 2024 年 41 卷 024 期

页码： 3447-3455

收录情况： CSCD

摘要： 目的 采用机器学习算法构建儿童抗结核药物肝损伤(anti-tuberculosis drug induced liver injury,ATB-DILI)风险预测模型。方法 选取2013年1月—2022年12月重庆医科大学附属儿童医院确诊为结核病的儿童患者为研究对象。采用单因素及LASSO回归筛选特征变量，基于极端梯度提升(extreme gradient boosting,XGBoost)、自适应增强、轻量梯度提升、随机森林4种机器学习算法分别构建预测模型。通过受试者工作特征曲线下面积(area under the curve,AUC)、准确度、精确度、召回率以及F1分数评估模型性能，应用Shapley加性解释(Shapley additive explanation,SHAP)算法对最优模型进行解释性分析，构建列线图使预测结果可视化。结果 共纳入2 796例结核患者，ATB-DILI发生率为5.47%。XGBoost模型整体预测性能最好，AUC(0.881)、准确率(0.951)、精确度(0.981)、召回率(0.956)和F1分数(0.968)。基于SHAP算法对XGBoost模型的特征变量解释分析，显示结核复治，谷丙转氨酶、谷氨酰转肽酶、直接胆红素基线值高，住院天数延长，异烟肼治疗天数≤45 d，异烟肼累积总剂量高和乙胺丁醇治疗天数长是儿童ATB-DILI的风险因素。结论基于XGBoost算法构建的儿童ATB-DILI风险预测模型性能最优。SHAP算法为模型提供明确解释，列线图法使预测结果易于理解和应用，有助于临床早期识别和预防儿童ATB-DILI的发生。