目的建立基于监督学习算法的糖皮质激素(GC)联合环磷酰胺治疗特发性膜性肾病(IMN)效果的预测模型。方法入选2014年7月1日至2023年6月30日确诊的IMN患者,同时接受≥6个月GC联合环磷酰胺治疗,采集相关临床资料。运用Python软件构建9种监...目的建立基于监督学习算法的糖皮质激素(GC)联合环磷酰胺治疗特发性膜性肾病(IMN)效果的预测模型。方法入选2014年7月1日至2023年6月30日确诊的IMN患者,同时接受≥6个月GC联合环磷酰胺治疗,采集相关临床资料。运用Python软件构建9种监督学习模型,采用受试者工作特征曲线下面积(AUC)评估各模型的预测性能,筛选与疗效相关的指标,并根据结果构建预测工具。结果共纳入122例患者,其中57例(46.7%)完全缓解、39例(32.0%)部分缓解、26例(21.3%)未缓解。在纳入全部136项临床指标时,轻量级梯度提升机(LGBM)在9种监督学习模型中的AUC最高(0.965)。特征筛选结果显示第3个月的24 h尿蛋白定量(24 h UTP)下降率和血清白蛋白上升率与疗效的相关性最强。在仅纳入上述2个特征再次建模后,仍以LGBM的AUC最高(0.978)。故最终以LGBM为基础构建在线预测工具,网址为www.imnpredict.online。结论基于监督学习算法的GC联合环磷酰胺治疗IMN效果预测模型提示,治疗开始后第3个月的24 h UTP和血清白蛋白变化率是预测患者疗效的主要因素。该模型和在线工具可在IMN治疗早期对疗效进行预测,为患者个体化治疗提供参考。展开更多
文摘目的建立基于监督学习算法的糖皮质激素(GC)联合环磷酰胺治疗特发性膜性肾病(IMN)效果的预测模型。方法入选2014年7月1日至2023年6月30日确诊的IMN患者,同时接受≥6个月GC联合环磷酰胺治疗,采集相关临床资料。运用Python软件构建9种监督学习模型,采用受试者工作特征曲线下面积(AUC)评估各模型的预测性能,筛选与疗效相关的指标,并根据结果构建预测工具。结果共纳入122例患者,其中57例(46.7%)完全缓解、39例(32.0%)部分缓解、26例(21.3%)未缓解。在纳入全部136项临床指标时,轻量级梯度提升机(LGBM)在9种监督学习模型中的AUC最高(0.965)。特征筛选结果显示第3个月的24 h尿蛋白定量(24 h UTP)下降率和血清白蛋白上升率与疗效的相关性最强。在仅纳入上述2个特征再次建模后,仍以LGBM的AUC最高(0.978)。故最终以LGBM为基础构建在线预测工具,网址为www.imnpredict.online。结论基于监督学习算法的GC联合环磷酰胺治疗IMN效果预测模型提示,治疗开始后第3个月的24 h UTP和血清白蛋白变化率是预测患者疗效的主要因素。该模型和在线工具可在IMN治疗早期对疗效进行预测,为患者个体化治疗提供参考。