人工智能在慢加急性肝衰竭預(yù)后預(yù)測模型中的研究現(xiàn)狀

通信作者：蘭蘊平，ashley.lan@uestc.edu.cn（ORCID：0000-0002-9378-9498）

摘要：慢加急性肝衰竭（ACLF）是在慢性肝病基礎(chǔ)上出現(xiàn)的急性肝功能惡化，且以肝臟和/或肝外器官衰竭和短期高病死率為主要特征的復(fù)雜臨床綜合征。目前缺乏有效的治療手段，內(nèi)科綜合治療下病死率高達(dá)50%～90%。開發(fā)簡單快捷、準(zhǔn)確性高的ACLF預(yù)后預(yù)測模型，能幫助臨床醫(yī)師早期準(zhǔn)確判斷ACLF患者預(yù)后，識別預(yù)后不良患者，從而實施早期干預(yù)，可在一定程度上改善預(yù)后，有助于降低病死率。隨著計算機(jī)科學(xué)的不斷發(fā)展，數(shù)據(jù)處理能力愈發(fā)強(qiáng)大，人工智能越來越受到重視，在肝臟疾病的診斷、治療、預(yù)后預(yù)測等多方面均有應(yīng)用。本文結(jié)合國內(nèi)外研究現(xiàn)狀，對常見的ACLF預(yù)后模型和機(jī)器學(xué)習(xí)預(yù)后預(yù)測模型進(jìn)行綜述，總結(jié)最新研究進(jìn)展，為ACLF預(yù)后預(yù)測模型未來發(fā)展提供新思路。

關(guān)鍵詞：慢加急性肝功能衰竭；人工智能；機(jī)器學(xué)習(xí)；預(yù)后

基金項目：四川省科技攻關(guān)計劃（2023YFS0134）

Current status of research on artificial intelligence in prognostic prediction models for acute-on-chronic liver failure

JIANG Wei1，2，CHANG Xiujun1，2，ZENG Fan2，LAN Yunping2.（1.School of Medical and Life Sciences，Chengdu University of Traditional Chinese Medicine，Chengdu 610075，China；2.Department of Intensive Care Unit，The Affiliated Hospital of University of Electronic Science and Technology of China/Sichuan Provincial People’s Hospital，Chengdu 610072，China）

Corresponding author：LAN Yunping，ashley.lan@uestc.edu.cn（ORCID：0000-0002-9378-9498）

Abstract：Acute-on-chronic liver failure（ACLF）is a complex clinical syndrome of acute liver function deterioration on the basis of chronic liver diseases，characterized by hepatic and/or extra-hepatic organ failure and a high short-term mortality rate.At present，there is still a lack of effective treatment methods，and the mortality rate of ACLF reaches 50%—90%after comprehensive medical treatment.A simple，rapid，and accurate prognostic prediction model for ACLF can help clinicians accurately judge the prognosis of ACLF patients in the early stage，identify the patients with poor prognosis，and provide early interventions，which can improve patient prognosis to some extent and help to reduce mortality rates.With the continuous development of computer science and increasingly powerful data processing capabilities，artificial intelligence is gaining more attention and has been applied in various aspects of liver diseases including diagnosis，treatment，and prognostic prediction.With reference to the current status of research in China and globally，this article reviews the common prognostic models for ACLF and machine learning-based prognostic prediction models and summarizes the latest research advances，in order to provide new perspectives for the future development of prognostic prediction models for ACLF.

Key words：Acute-On-Chronic Liver Failure；Artificial Intelligence；Machine Learning；Prognosis

Research funding：Sichuan Provincial Science and Technology Research Program（2023YFS0134）

慢加急性肝衰竭（ACLF）是一種不同于急性肝衰竭和慢性肝衰竭的特殊臨床綜合征，是指患有慢性肝?。ò榛虿话楦斡不┑幕颊咭蚰承┱T因（如感染、飲酒、病毒激活等）出現(xiàn)的急性肝損傷，其特征為慢性肝病基礎(chǔ)、臨床肝膽病雜志第40卷第9期2024年9月J Clin Hepatol，Vol.40 No.9，Sep.2024早期可逆性、伴/不伴器官功能障礙，在未治療潛在肝病、肝臟支持治療或肝移植的情況下短期內(nèi)病死率高，綜合治療下病死率仍高達(dá)50%～90%［1］。我國約有2 000萬慢性病毒性肝炎患者，9 300萬HBV感染者［2］。隨著人口老齡化，ACLF患者潛在群體眾多。目前對該病缺乏有效針對性治療，主要通過內(nèi)科綜合治療，病因治療及器官支持治療［3］，部分患者經(jīng)積極內(nèi)科治療，病情仍不能改善，肝移植是唯一有效方法，可以顯著改善患者預(yù)后［4-5］，但部分器官功能衰竭患者疾病進(jìn)展迅速，肝移植窗口期短，缺乏客觀移植標(biāo)準(zhǔn)，加之世界范圍內(nèi)肝源短缺，部分患者移植后仍在短期內(nèi)死亡［6-7］。目前肝移植排隊順序依據(jù)終末期肝病模型（model for end-stage liver disease，MELD）或MELD-Na評分分配，但有研究者認(rèn)為MELD和MELD-Na評分可能低估ACLF的嚴(yán)重程度［6-8］。ACLF是一種動態(tài)變化且有異質(zhì)性的綜合征，篩選出肝移植獲益最大的受者，根據(jù)患者疾病的嚴(yán)重程度進(jìn)行分階段階梯式治療，有助于優(yōu)化醫(yī)療資源，避免浪費及利用不充分，可以幫助患者獲得更好的預(yù)后。

目前國際上有多種評分用于篩選肝移植排隊順序，但是對于患者選擇標(biāo)準(zhǔn)、最佳肝移植時機(jī)等方面都沒有明確的界定，須更有效的預(yù)后預(yù)測模型指導(dǎo)治療?，F(xiàn)有ACLF相關(guān)預(yù)后模型大多通過單因素回歸分析篩選出相關(guān)性高的臨床特征，主要通過分層分析、建立線性回歸方程等方式構(gòu)建ACLF患者預(yù)后模型，主要差別在于納入指標(biāo)、模型構(gòu)建人群、病因、診斷標(biāo)準(zhǔn)、樣本量大小。由于其數(shù)據(jù)錄入均為手動輸入，各中心診斷標(biāo)準(zhǔn)及錄入人員水平參差不齊，難以避免選擇性偏倚，對病情嚴(yán)重程度評估不一致也可能影響預(yù)后模型的效能，更為重要的是大部分模型基于小樣本量研究，缺乏外部驗證隊列及前瞻性隊列研究，導(dǎo)致模型的泛化能力差，難以在臨床推廣應(yīng)用。將目前常見的預(yù)后預(yù)測模型優(yōu)缺點進(jìn)行歸納、整理見表1。

隨著人工智能技術(shù)在醫(yī)學(xué)領(lǐng)域的日益發(fā)展，機(jī)器學(xué)習(xí)在構(gòu)建醫(yī)學(xué)模型方面取得了顯著成績，包括疾病診斷、臨床預(yù)后、生存分析等［15］，在肝臟疾病診斷、治療、預(yù)后預(yù)測等多方面也均有應(yīng)用。本文將結(jié)合國內(nèi)外研究現(xiàn)狀，對人工智能用于ACLF預(yù)后預(yù)測相關(guān)文獻(xiàn)進(jìn)行綜述，總結(jié)最新研究進(jìn)展，為ACLF預(yù)后預(yù)測模型未來發(fā)展提供新思路。

1人工智能在醫(yī)學(xué)領(lǐng)域的應(yīng)用

機(jī)器學(xué)習(xí)是一種通過讓計算機(jī)自動從數(shù)據(jù)中學(xué)習(xí)規(guī)律和模式，從而完成特定任務(wù)的方法。可以利用對現(xiàn)有數(shù)據(jù)的分析對未見數(shù)據(jù)進(jìn)行預(yù)測。隨著算法的不斷開發(fā)，通過建立機(jī)器學(xué)習(xí)相關(guān)模型對臨床數(shù)據(jù)、實驗室資料、影像學(xué)資料等分析學(xué)習(xí)，實現(xiàn)了自動化分析醫(yī)學(xué)圖像［16］、構(gòu)建診斷模型［17］、藥物開發(fā)［18］、構(gòu)建預(yù)后預(yù)測模型［19］等多方位應(yīng)用。機(jī)器學(xué)習(xí)主要分為監(jiān)督學(xué)習(xí)模型和無監(jiān)督學(xué)習(xí)模型，在預(yù)后預(yù)測模型中，多應(yīng)用監(jiān)督學(xué)習(xí)模型預(yù)測已知輸出結(jié)局，例如死亡。而無監(jiān)督學(xué)習(xí)多應(yīng)用于海量無序數(shù)據(jù)的信息分類，探索性數(shù)據(jù)分析，特征提取等，有助于發(fā)現(xiàn)疾病的影響因素甚至是發(fā)病機(jī)制。簡單的監(jiān)督學(xué)習(xí)模型例如線性回歸、邏輯回歸模型，較傳統(tǒng)模型而言，其優(yōu)點在于建模效率高、解釋性強(qiáng)，更直觀反映每個變量及其交互作用對預(yù)后預(yù)測的影響，更利于決策分析。但其對非線性數(shù)據(jù)、數(shù)據(jù)特征之間關(guān)聯(lián)性較強(qiáng)的復(fù)雜數(shù)據(jù)，模型性能并沒有大的提升，隨著機(jī)器學(xué)習(xí)算法的發(fā)展，支持向量機(jī)、集成學(xué)習(xí)（如梯度提升決策樹）、人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）、深度學(xué)習(xí)等新模型不斷涌現(xiàn)，機(jī)器學(xué)習(xí)相關(guān)預(yù)后預(yù)測模型在各類疾病中文章呈指數(shù)級增長，在肝臟疾病中廣泛應(yīng)用于肝癌及肝移植患者。通過與傳統(tǒng)預(yù)后預(yù)測模型進(jìn)行比較發(fā)現(xiàn)，機(jī)器學(xué)習(xí)預(yù)后預(yù)測模型在訓(xùn)練隊列及驗證隊列中性能表現(xiàn)均優(yōu)于傳統(tǒng)模型［20-21］。構(gòu)建機(jī)器學(xué)習(xí)預(yù)后預(yù)測模型的基本步驟包括：（1）數(shù)據(jù)預(yù)處理。對原始數(shù)據(jù)進(jìn)行清洗、轉(zhuǎn)換、離散等，以確保數(shù)據(jù)的完整性和規(guī)范化；隨后將數(shù)據(jù)隨機(jī)劃分為訓(xùn)練集、驗證集；（2）特征選擇。在患者的眾多病例數(shù)據(jù)中通過過濾法、封裝法、嵌入法篩選特征，避免冗余的無意義的特征給模型引入噪聲，降低模型擬合的精度；（3）模型選擇。根據(jù)目標(biāo)模型要求，選擇對應(yīng)模型，例如分類任務(wù)，可選擇回歸模型；（4）模型訓(xùn)練。模型基于訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，學(xué)習(xí)規(guī)律；（5）參數(shù)調(diào)整。根據(jù)模型在驗證集上的性能，選擇適當(dāng)?shù)膮?shù)調(diào)整，以進(jìn)一步提升模型的表現(xiàn)；（6）模型評估。訓(xùn)練及調(diào)整好的模型在測試集上進(jìn)行性能評估，主要指標(biāo)包括敏感度、特異度、精確度等；（7）模型預(yù)測。將模型運用到新的任務(wù)中，呈現(xiàn)預(yù)測結(jié)果［22］。

2人工智能在ACLF預(yù)后預(yù)測中的應(yīng)用

2.1 ACLF機(jī)器學(xué)習(xí)預(yù)后預(yù)測模型目前，基于機(jī)器學(xué)習(xí)模型進(jìn)行相關(guān)ACLF預(yù)后預(yù)測應(yīng)用較少，現(xiàn)總結(jié)如下。

2013年，Zheng等［23］通過相關(guān)性回歸分析確定年齡、凝血酶原活動度、血清鈉等6個獨立危險因素，建立ANN人工智能神經(jīng)網(wǎng)絡(luò)算法模型，與MELD、MELD-Na、MELDNa、MESO和iMELD評分比較，在訓(xùn)練集中（AUC：0.869 vs 0.667、0.591、0.643、0.571和0.577，P值均lt;0.001），ANN明顯優(yōu)于MELD及其他傳統(tǒng)的評分；在驗證集中（AUC：0.765 vs 0.599、0.563、0.601、0.521和0.540；P值均lt;0.01），雖然模型表現(xiàn)不如訓(xùn)練集，但仍優(yōu)于傳統(tǒng)模型。Hou等［24］在一項回顧性研究中利用線性回歸分析確定年齡、肝性腦病、血清鈉等8個獨立危險因素為特征搭建ANN人工神經(jīng)網(wǎng)絡(luò)模型，分別預(yù)測28天及90天死亡概率。在訓(xùn)練集中，與傳統(tǒng)的MELD模型、MELD-Na模型、CLIF-ACLF模型、CTP評分相比，ANN模型預(yù)測28天死亡準(zhǔn)確率（AUC=0.948，95%CI：0.925～0.970）顯著高于傳統(tǒng)的MELD、MELD-Na、CTP、CLIF-ACLF（P值均lt;0.01），在驗證集中，ANN模型預(yù)測28天死亡準(zhǔn)確率（AUC=0.748，95%CI：0.673～0.822）與MELD評分相比差異具有統(tǒng)計學(xué)意義（Plt;0.05），而與MELD-Na、CTP和CLIF-ACLF評分無明顯差異（P值均gt;0.05）；在90天訓(xùn)練隊列中，ANN模型表現(xiàn)同樣優(yōu)于其他模型，在驗證隊列中，模型預(yù)測準(zhǔn)確率（AUC=0.913，95%CI：0.887～0.938）與MELD評分比較，差異有統(tǒng)計學(xué)意義（Plt;0.05）。以上兩個模型均基于ANN建立，ANN模型由大量的節(jié)點或單元組成，這些節(jié)點通過連接權(quán)重相互連接，形成了一個多層的網(wǎng)絡(luò)結(jié)構(gòu)，在訓(xùn)練過程中，可以通過不斷調(diào)整連接權(quán)重，使得網(wǎng)絡(luò)的輸出結(jié)果與實際結(jié)果之間的誤差最小化。雖然以上研究顯示ANN模型與MELD評分比較表現(xiàn)出良好的性能，但由于ANN模型需要大量的數(shù)據(jù)集對神經(jīng)節(jié)點進(jìn)行訓(xùn)練，上述兩個研究樣本量較少，模型學(xué)習(xí)不充分，不能有效歸納特征、優(yōu)化模型，可能是導(dǎo)致與MELD-Na評分及CLIF-ACLF評分相比無統(tǒng)計學(xué)差異的原因。Shi等［25］則是利用分類與回歸樹（classification and regression tree，CART）納入了777例HBV-ACLF患者，訓(xùn)練隊列563例，驗證隊列214例。根據(jù)回歸分析進(jìn)行相關(guān)變量篩選，選擇了4個特征：TBil、年齡、血清鈉和INR，并根據(jù)4個特征嚴(yán)重程度劃分出3個風(fēng)險組：低風(fēng)險（4.2%）、中風(fēng)險（30.2%～53.2%）和高風(fēng)險（81.4%～96.9%），以上述4個獨立危險因素為自變量，建立邏輯回歸模型與CART模型進(jìn)行90天死亡結(jié)局預(yù)測，在訓(xùn)練集中，CART模型、多元邏輯回歸模型的AUC分別為0.905（95%CI：0.878～0.928）和0.894（95%CI：0.865～0.918）（P=0.382），優(yōu)于傳統(tǒng)的MELD評分（AUC=0.738，95%CI：0.699～0.774）（P值均lt;0.001）；在驗證集中，CART模型AUC為0.896，邏輯回歸模型（Logistic regression model，LRM）的AUC為0.914（P=0.428），明顯高于MELD評分（AUC=0.667，Plt;0.001）。CART算法與ANN模型內(nèi)部結(jié)構(gòu)不同，CART分析是一種基于遞歸分區(qū)分析的非參數(shù)和非線性方法，通過將數(shù)據(jù)集劃分為純度更高的子集來構(gòu)建決策樹。其優(yōu)勢在于通過選擇最佳的特征和閾值來進(jìn)行劃分，使得每個子集內(nèi)包含盡可能多的同一類別的樣本，能夠幫助臨床病情嚴(yán)重程度分層。以上模型均在回顧性隊列研究基礎(chǔ)上建立，印度學(xué)者Verma等［26］在一項樣本量更大的全球多中心前瞻性隊列研究中招募了2 481例ACLF患者，按照6∶4的比例將患者分配到訓(xùn)練隊列（1 501例）和外部驗證隊列（980例），分別記錄入院后0、4、7、30、90天的臨床數(shù)據(jù)、檢驗及檢查資料和器官受累情況，構(gòu)建AARC-AI預(yù)后預(yù)測模型。該模型動態(tài)地評估患者情況并創(chuàng)新性采取Boruta算法篩選數(shù)據(jù)特征，通過對原始特征進(jìn)行隨機(jī)重排并生成隨機(jī)特征，構(gòu)建一個“影子”特征集合，再將原始特征和其衍生的“影子”特征輸入到隨機(jī)森林模型中進(jìn)行訓(xùn)練并計算重要性得分，將原始特征的重要性得分與“影子”特征的得分相比較，以確定該特征是否顯著地影響目標(biāo)變量。該研究開發(fā)了極端梯度提升（extreme gradient boosting，XGB）、隨機(jī)梯度提升（gradient boosting machine，GBM）、隨機(jī)森林（random forest，RF）、深度學(xué)習(xí)（deep learning，DL）、樸素貝葉斯（naive bayes，NB）、快速大邊際（fastmargin，F(xiàn)LM）、決策樹（decision tree，DT）、支持向量機(jī)等多種機(jī)器學(xué)習(xí)模型，探索最適合ACLF的預(yù)后預(yù)測模型，并且通過交叉驗證方法來評估XGBoost模型性能，建立極端梯度提升交叉驗證模型（XGB-CV），在人工篩選超參數(shù)基礎(chǔ)上進(jìn)一步篩選超參數(shù)實現(xiàn)模型參數(shù)訓(xùn)練調(diào)優(yōu)。XGB-CV模型在7、30和90天預(yù)測中表現(xiàn)均為最佳，在評估了65個變量的選定數(shù)據(jù)集上的不同人工智能模型中，XGB-CV具有最佳的預(yù)測能力（在訓(xùn)練集中30天死亡率的AUC為0.999，在驗證集中為0.907）。最后，研究者使用對30天結(jié)局預(yù)測最有意義的10個特征開發(fā)了AARC-AI模型。這個模型的AUC（AUC=0.878，95%CI：0.854～0.898）顯著優(yōu)于MELD評分（AUC=0.759，95%CI：0.728～0.790）（Plt;0.001）和“經(jīng)典”AARC模型（AUC=0.847，95%CI：0.822～0.872，P=0.007）。本研究在印度新德里肝臟和膽道科學(xué)研究所進(jìn)行的外部隊列中再次驗證了AARC-AI模型的性能。AARC-AI模型預(yù)測30天死亡率的AUC（0.965；95%CI：0.939～0.992）、準(zhǔn)確性（0.926；95%CI：0.878～0.959）、靈敏度（0.909）和特異度（0.937）較訓(xùn)練集無明顯差異，證明該模型一致性良好，泛化能力強(qiáng)。

然而，ACLF預(yù)后預(yù)測模型的研究多集中于亞洲患者，且均基于APASL診斷標(biāo)準(zhǔn)，不同的是Zheng等［23］、Hou等［24］及Shi等［25］的研究均納入HBV-ACLF患者，而Verma等［26］研究納入人群包含HBV在內(nèi)的其他病因ACLF患者。在不同診斷標(biāo)準(zhǔn)下，預(yù)測模型的效能以及特征選擇是否存在差異，需要開展進(jìn)一步的研究進(jìn)行驗證。關(guān)于ACLF機(jī)器學(xué)習(xí)預(yù)后預(yù)測模型的歸納總結(jié)見表2。

2.2 ACLF機(jī)器學(xué)習(xí)預(yù)后預(yù)測模型的優(yōu)缺點在疾病預(yù)后預(yù)測方面，機(jī)器學(xué)習(xí)與傳統(tǒng)模型相比，優(yōu)勢如下：（1）能夠更好地處理復(fù)雜的非線性關(guān)系，能夠捕捉到數(shù)據(jù)中隱藏的復(fù)雜模式和規(guī)律，從而提高預(yù)測的準(zhǔn)確性；（2）能夠自動從原始數(shù)據(jù)中學(xué)習(xí)和提取特征，避免偏倚，同時也可以更好地適應(yīng)不同類型和復(fù)雜度的數(shù)據(jù)，提高模型的泛化能力；（3）能夠通過不斷的訓(xùn)練和調(diào)整來適應(yīng)不斷變化的數(shù)據(jù)和環(huán)境，具有一定的靈活性和魯棒性；（4）可以對臨床不完整信息進(jìn)行更有效的預(yù)處理，電子病歷經(jīng)常存在字段缺失或者數(shù)據(jù)異常的情況，導(dǎo)致特征無法提取或者給建模造成噪聲，因此需要對輸入數(shù)據(jù)進(jìn)行去噪、缺失值填充等預(yù)處理，通過隱藏因子模型進(jìn)行缺失值自動填充，有助于模型預(yù)測精度的提升。缺點主要包括：（1）由于模型內(nèi)部結(jié)構(gòu)過于復(fù)雜，數(shù)據(jù)從模型輸入到結(jié)果輸出，不了解模型結(jié)構(gòu)內(nèi)部的邏輯關(guān)系，缺乏對模型的可解釋性，模型結(jié)論難以使人信服；（2）由于機(jī)器學(xué)習(xí)模型需要大量的數(shù)據(jù)訓(xùn)練，單純小樣本量會導(dǎo)致模型的過擬合，即模型在訓(xùn)練模型中，性能強(qiáng)大，但在驗證模型中，結(jié)果卻不理想［27-28］。

3模型的可視化研究

在循證醫(yī)學(xué)中，對無法解釋的運行邏輯及判斷依據(jù)，即使模型性能再強(qiáng)大，也無法取得臨床醫(yī)師的信任，機(jī)器學(xué)習(xí)模型由于其內(nèi)部結(jié)構(gòu)復(fù)雜性，盡管模型可以產(chǎn)生準(zhǔn)確的預(yù)測或決策，但很難理解或解釋模型是如何得到這些結(jié)果的，Verma等［26］創(chuàng)新性地對模型進(jìn)行了可視化研究，其方案為解決這一問題提供了新的思路，采用SHAP（Shapley Additive Explanations）來實現(xiàn)數(shù)據(jù)特征的可視化，通過計算SHAP值，得到特征重要性排序，反映單個樣本的特征重要性以及特征之間的交互作用，幫助理解模型在做出特定預(yù)測時是如何權(quán)衡不同特征的，哪些特征最為重要，及其如何影響預(yù)測結(jié)果。

4多模態(tài)模型在ACLF中的應(yīng)用前景

現(xiàn)代化醫(yī)療依賴多種模態(tài)的信息數(shù)據(jù)，包括圖像、結(jié)構(gòu)化實驗室檢查、非結(jié)構(gòu)化敘述性文本和語音信息等，多模態(tài)信息的整合有利于臨床醫(yī)生針對患者病情實行個體化治療方案。隨著對ACLF的認(rèn)識不斷深入，越來越多的潛在危險因素被發(fā)現(xiàn)，從臨床信息到影像組學(xué)、基因組學(xué)。Cao等［29］發(fā)現(xiàn)與慢性乙型肝炎患者或健康對照者相比，HBV-ACLF中M30抗原、M65抗原及HMGB1均顯著升高。M30抗原和M65抗原在HBV-ACLF非存活者和存活者之間具有明顯的區(qū)別。Ariza等［30］發(fā)現(xiàn)LCN2基因在ACLF患者肝臟中存在明顯上調(diào)，其產(chǎn)物NGAL在這些患者的尿液和血漿中增加。Juanola等［31］研究表明尿液L-FABP水平與ACLF患者病情的嚴(yán)重程度和預(yù)后相關(guān)。另外，Peng等［32］發(fā)現(xiàn)肌少癥是ACLF患者死亡的重要危險因素，并且通過CT影像中L3-SMI（第3腰椎骨骼肌指數(shù)）建立了新的ACLF預(yù)后預(yù)測模型。這些指標(biāo)對患者預(yù)后是否存在影響需要更多數(shù)據(jù)的證實，在預(yù)后模型建立納入多維度特征不僅會使模型的評估能力得到進(jìn)一步的增強(qiáng)，還能通過可視化分析幫助識別疾病危險因素，甚至是理解病理生理過程。

已有研究者應(yīng)用多模態(tài)模型在一項肝細(xì)胞癌研究［33］中將組織病理學(xué)、核磁共振成像和臨床數(shù)據(jù)結(jié)合，訓(xùn)練出預(yù)測肝移植后患者肝細(xì)胞癌復(fù)發(fā)風(fēng)險的模型，研究者認(rèn)為該模型有可能改變肝癌患者的肝移植分配系統(tǒng)，并將移植治療選擇擴(kuò)大到腫瘤負(fù)荷最高的肝癌患者。在后續(xù)的預(yù)后預(yù)測模型研究中，利用機(jī)器學(xué)習(xí)構(gòu)建多模態(tài)預(yù)后預(yù)測模型，將患者臨床信息、實驗室資料、特異性生物標(biāo)志物、影像組學(xué)結(jié)合，甚至伴隨可穿戴設(shè)備的普及，收集患者日常生命體征變化、生活習(xí)慣等信息，通過強(qiáng)大的算力將不同類別信息進(jìn)行融合后建立算法決策模型輸出患者結(jié)局，從而達(dá)到個體化準(zhǔn)確預(yù)測患者預(yù)后的目的。

5結(jié)論

綜上所述，機(jī)器學(xué)習(xí)在ACLF預(yù)后預(yù)測應(yīng)用中仍處于探索階段。通過構(gòu)建多模態(tài)機(jī)器學(xué)習(xí)模型會進(jìn)一步增強(qiáng)對ACLF的認(rèn)識，達(dá)到早期預(yù)測患者預(yù)后的目的。由于ACLF的高病死率、早期可逆性及移植窗口期短等特點，行之有效的機(jī)器學(xué)習(xí)預(yù)后預(yù)測模型不僅會影響其等待肝移植患者的排隊順序，并且根據(jù)預(yù)后預(yù)測模型結(jié)果早期對患者進(jìn)行分層管理，開展針對性治療，有望降低ACLF患者病死率及其費用負(fù)擔(dān)，提高患者生活質(zhì)量。另外，還需要開展多中心、前瞻性研究以解決部分?jǐn)?shù)據(jù)異質(zhì)性問題和提高模型泛化能力。

利益沖突聲明：本文不存在任何利益沖突。

作者貢獻(xiàn)聲明：姜偉負(fù)責(zé)課題設(shè)計，資料分析，撰寫論文；姜偉、常秀君參與文獻(xiàn)檢索和歸納；曾帆、蘭蘊平負(fù)責(zé)擬定寫作思路，指導(dǎo)撰寫文章并最后定稿。

參考文獻(xiàn)：

[1]MOREAU R，JALAN R，GINES P，et al.Acute-on-chronic liver failure is a distinct syndrome that develops in patients with acute decompen?sation of cirrhosis[J].Gastroenterology，2013，144（7）：1426-1437.e9.DOI：10.1053/j.gastro.2013.02.042.

[2]MIAO N，WANG FZ，ZHENG H，et al.Estimation of incidence of viral hepatitis B and analysis on case characteristics in China，2013-2020[J].Chin J Epidemiol，2021，42（9）：1527-1531.DOI：10.3760/cma.j.cn112338-20210319-00227.

繆寧，王富珍，鄭徽，等.中國2013—2020年乙型肝炎發(fā)病情況估算和病例特征分析[J].中華流行病學(xué)雜志，2021，42（9）：1527-1531.DOI：10.3760/cma.j.cn112338-20210319-00227.

[3]ARROYO V，MOREAU R，JALAN R.Acute-on-chronic liver failure[J].N Engl J Med，2020，382（22）：2137-2145.DOI：10.1056/nejmra1914900.

[4]JALAN R，GUSTOT T，F(xiàn)ERNANDEZ J，et al.‘Equity’and‘Justice’for patients with acute-on chronic liver failure：A call to action[J].J Hepatol，2021，75（5）：1228-1235.DOI：10.1016/j.jhep.2021.06.017.

[5]LING SB，JIANG GJ，QUE QY，et al.Liver transplantation in patients with liver failure：Twenty years of experience from China[J].Liver Int，2022，42（9）：2110-2116.DOI：10.1111/liv.15288.

[6]LI P，LIANG X，LUO JJ，et al.Predicting the survival benefit of liver transplantation in HBV-related acute-on-chronic liver failure：An ob?servational cohort study[J].Lancet Reg Health West Pac，2022，32：100638.DOI：10.1016/j.lanwpc.2022.100638.

[7]YANG LS，SHAN LL，SAXENA A，et al.Liver transplantation：A sys?tematic review of long-term quality of life[J].Liver Int，2014，34（9）：1298-1313.DOI：10.1111/liv.12553.

[8]HERNAEZ R，LIU Y，KRAMER JR，et al.Model for end-stage liver disease-sodium underestimates 90-day mortality risk in patients withacute-on-chronic liver failure[J].J Hepatol，2020，73（6）：1425-1433.DOI：10.1016/j.jhep.2020.06.005.

[9]PUGH RN，MURRAY-LYON IM，DAWSON JL，et al.Transection ofthe oesophagus for bleeding oesophageal varices[J].Br J Surg，1973，60（8）：646-649.DOI：10.1002/bjs.1800600817.

[10]MALINCHOC M，KAMATH PS，GORDON FD，et al.A model to pre?dict poor survival in patients undergoing transjugular intrahepatic portosystemic shunts[J].Hepatology，2000，31（4）：864-871.DOI：10.1053/he.2000.5852.

[11]KNAUS WA，ZIMMERMAN JE，WAGNER DP，et al.APACHE-acute physiology and chronic health evaluation：A physiologically based classification system[J].Crit Care Med，1981，9（8）：591-597.DOI：10.1097/00003246-198108000-00008.

[12]HERNAEZ R，SOLàE，MOREAU R，et al.Acute-on-chronic liver fail?ure：An update[J].Gut，2017，66（3）：541-553.DOI：10.1136/gutjnl-2016-312670.

[13]CHOUDHURY A，JINDAL A，MAIWALL R，et al.Liver failure deter?mines the outcome in patients of acute-on-chronic liver failure（ACLF）：Comparison of APASL ACLF research consortium（AARC）and CLIF-SOFA models[J].Hepatol Int，2017，11（5）：461-471.DOI：10.1007/s12072-017-9816-z.

[14]WU T，LI J，SHAO L，et al.Development of diagnostic criteria and a prognostic score for hepatitis B virus-related acute-on-chronic liver failure[J].Gut，2018，67（12）：2181-2191.DOI：10.1136/gutjnl-2017-314641.

[15]DEO RC.Machine learning in medicine[J].Circulation，2015，132（20）：1920-1930.DOI：10.1161/CIRCULATIONAHA.115.001593.

[16]ZHOU J，HU B，F(xiàn)ENG W，et al.An ensemble deep learning model for risk stratification of invasive lung adenocarcinoma using thin-slice CT[J].NPJ Digit Med，2023，6（1）：119.DOI：10.1038/s41746-023-00866-z.

[17]WALSH JA，ROZYCKI M，YI E，et al.Application of machine learning in the diagnosis of axial spondyloarthritis[J].Curr Opin Rheumatol，2019，31（4）：362-367.DOI：10.1097/BOR.0000000000000612.

[18]VAMATHEVAN J，CLARK D，CZODROWSKI P，et al.Applications of machine learning in drug discovery and development[J].Nat Rev Drug Discov，2019，18（6）：463-477.DOI：10.1038/s41573-019-0024-5.

[19]TIAN D，YAN HJ，HUANG H，et al.Machine learning-based prognos?tic model for patients after lung transplantation[J].JAMA Netw Open，2023，6（5）：e2312022.DOI：10.1001/jamanetworkopen.2023.12022.

[20]AHN JC，CONNELL A，SIMONETTO DA，et al.Application of artifi?cial intelligence for the diagnosis and treatment of liver diseases[J].Hepatology，2021，73（6）：2546-2563.DOI：10.1002/hep.31603.

[21]KINOSHITA F，TAKENAKA T，YAMASHITA T，et al.Development of artificial intelligence prognostic model for surgically resected non-small cell lung cancer[J].Sci Rep，2023，13（1）：15683.DOI：10.1038/s41598-023-42964-8.

[22]SIDEY-GIBBONS JAM，SIDEY-GIBBONS CJ.Machine learning in medicine：A practical introduction[J].BMC Med Res Methodol，2019，19（1）：64.DOI：10.1186/s12874-019-0681-4.

[23]ZHENG MH，SHI KQ，LIN XF，et al.A model to predict 3-month mor?tality risk of acute-on-chronic hepatitis B liver failure using artificialneural network[J].J Viral Hepat，2013，20（4）：248-255.DOI：10.1111/j.1365-2893.2012.01647.x.

[24]HOU YX，ZHANG QQ，GAO FY，et al.Artificial neural network-based models used for predicting 28-and 90-day mortality of patients with hepatitis B-associated acute-on-chronic liver failure[J].BMC Gas?troenterol，2020，20（1）：75.DOI：10.1186/s12876-020-01191-5.

[25]SHI KQ，ZHOU YY，YAN HD，et al.Classification and regression tree analysis of acute-on-chronic hepatitis B liver failure：Seeing the forest for the trees[J].J Viral Hepat，2017，24（2）：132-140.DOI：10.1111/jvh.12617.

[26]VERMA N，CHOUDHURY A，SINGH V，et al.APASL-ACLF Research Consortium-Artificial Intelligence（AARC-AI）model precisely predicts outcomes in acute-on-chronic liver failure patients[J].Liver Int，2023，43（2）：442-451.DOI：10.1111/liv.15361.

[27]LUO W，PHUNG D，TRAN T，et al.Guidelines for developing and re?porting machine learning predictive models in biomedical research：A multidisciplinary view[J].J Med Internet Res，2016，18（12）：e323.DOI：10.2196/jmir.5870.

[28]YU KH，BEAM AL，KOHANE IS.Artificial intelligence in healthcare[J].Nat Biomed Eng，2018，2（10）：719-731.DOI：10.1038/s41551-018-0305-z.

[29]CAO ZJ，LI FD，XIANG XG，et al.Circulating cell death biomarker：Good candidates of prognostic indicator for patients with hepatitis B vi?rus related acute-on-chronic liver failure[J].Sci Rep，2015，5：14240.DOI：10.1038/srep14240.

[30]ARIZA X，GRAUPERA I，COLL M，et al.Neutrophil gelatinase-associated lipocalin is a biomarker of acute-on-chronic liver failure and prognosis in cirrhosis[J].J Hepatol，2016，65（1）：57-65.DOI：10.1016/j.jhep.2016.03.002.

[31]JUANOLA A，GRAUPERA I，ELIA C，et al.Urinary L-FABP is a prom?ising prognostic biomarker of ACLF and mortality in patients with de?compensated cirrhosis[J].J Hepatol，2022，76（1）：107-114.DOI：10.1016/j.jhep.2021.08.031.

[32]PENG H，ZHANG Q，LUO L，et al.A prognostic model of acute-on-chronic liver failure based on sarcopenia[J].Hepatol Int，2022，16（4）：964-972.DOI：10.1007/s12072-022-10363-2.

[33]HE TC，F(xiàn)ONG JN，MOORE LW，et al.An imageomics and multi-net?work based deep learning model for risk assessment of liver trans?plantation for hepatocellular cancer[J].Comput Med Imaging Graph，2021，89：101894.DOI：10.1016/j.compmedimag.2021.101894.

收稿日期：2023-12-19；錄用日期：2024-01-18

本文編輯：劉曉紅

引 證 本 文 ： JIANG W， CHANG XJ， ZENG F， et al. Current status of research on artificial intelligence in prognostic prediction models for acute-on-chronic liver failure[J]. J Clin Hepatol， 2024， 40（9）： 1891-1896.

姜偉， 常秀君， 曾帆， 等 . 人工智能在慢加急性肝衰竭預(yù)后預(yù)測模 型中的研究現(xiàn)狀[J]. 臨床肝膽病雜志， 2024， 40（9）： 1891- 1896.