编者按

慢加急性肝衰竭（ACLF）是临床常见的严重肝病临床症候群，短期病死率高。因此，早期准确评估ACLF患者预后，对临床决策及改善患者预后具有十分重要的意义。但目前ACLF的定义仍然存在争议，特别是在其病因和非肝硬化患者的纳入方面。这种异质性导致不同的国际协会制定了各种诊断标准和预后模型，每种标准和模型都针对不同的患者群体和病因。

在刚刚结束的第34届亚太肝病学会年会（APASL 2025）上，美国洛杉矶Cedars-Sinai医学中心杨毅辉博士分享了其团队与西安交通大学第二附属医院纪泛扑教授合作开发的ACLF预后临床评分系统——CBA与RFA两个模型的最新进展，引发广泛关注。我们有幸邀请到杨毅辉博士，深入分享该模型背后的故事、研究成果以及未来发展方向，期望为肝病领域的临床实践和研究提供新的思路与参考。

研究概述

两个及以上器官衰竭的ICU慢加急性肝衰竭患者预测短期死亡的机器学习模型（大会编号：OP0049）

第一作者：张梦怡，纪泛扑 通讯作者：祖建，Jonel Trebicka，杨毅辉

研究背景

预测重症监护病房 (ICU) 慢加急性肝衰竭 (ACLF) 患者的短期死亡率可以有效的提高患者管理。本研究的目标是开发、解释和验证一个机器学习 (ML) 模型，用于预测ICU中的具有两个及以上器官衰竭的ACLF患者的短期死亡率。

研究方法

本研究利用MIMIC-IV数据库队列，分别依据欧洲肝病学会-慢性肝衰竭联盟（EASL-CLIF）和北美终末期肝病研究联盟（NACSELD）的诊断标准，筛选出具有两个或以上器官衰竭的ACLF患者。针对这两种诊断标准分别开发机器学习模型预测患者30天死亡风险，并通过计算SHAP值进行模型的可解释性分析，最终完成模型的验证与校准。

研究结果

在入住ICU的5994名肝硬化患者中，1511名符合NACSELD标准，1692名符合EASL-CLIF II级或以上的ACLF标准。CatBoost ACLF（CBA）模型在NACSELD队列中的准确率最高（AUC：0.87），而Random Forest ACLF（RFA）模型在EASL-CLIF队列中表现最佳（AUC：0.83）。两个模型都表现出稳健的校准性。通过SHAP评分分析解释这些模型，得到权重排序列表并选出前12个预测因子对模型进行简化。简化的CBA和RFA模型的预测结果与实际死亡率的比较显示高度一致性（图1A和1B）。基于死亡概率将患者分为高风险组、中风险组和低风险组，在CBA模型中，高风险、中风险和低风险组的30天死亡概率分别为94.7%、68.0%和10.1%，在FRA模型中，概率分别为95.8%、72.5%和15.2%（图1C和1D）。两个队列中的风险分层都优于传统预测模型。与传统模型（包括CLIF-CACLF（AUC=0.77和0.75）和MELD3.0（AUC=0.76和0.72））相比，CBA（0.89）和RFA（0.81）模型均显示出明显更高的AUC值。这些模型在内部和外部队列中均得到了验证。此外，我们基于上述模型创建了一个易于使用的在线工具，以帮助临床医生和研究人员利用我们的模型预测ACLF患者死亡风险。

图1. 慢加急性肝衰竭患者30天死亡率的预测性能。(A)CBA模型预测死亡率与实际生存状态的比较。(B)RFA模型预测死亡率与实际生存状态的比较。(C)按CBA模型预测分类的慢加急性肝衰竭患者30天死亡概率。(D)按RFA模型预测分类的慢加急性肝衰竭患者30天死亡概率。

（源自APASL 2025会议）

研究结论

本研究针对两个或多个器官衰竭的ACLF患者提出了可解释、经过充分验证且经过校准的预测模型，其表现优于现有的预测评分。

研究解读

《国际肝病》

ACLF患者短期死亡率高达30%-50%，现有评分系统（如SOFA、CLIF-C ACLF）在动态监测和肝病特异性指标整合方面存在不足。能否请您阐述开发CBA、RFA模型的初衷？

杨毅辉博士

ACLF的死亡率极高，而且患者病情变化迅速，可能一天之内，病情就会急剧恶化，当然也有短时间内显著好转的情况。如何快速、有效使病情好转或者防止恶化是一个临床难点，也赋予ACLF领域极大的研究和开发空间。

我们之所以开发CBA、RFA两个模型，旨在整合不同定义下的ACLF病例，并将研究重点聚焦于入住ICU的患者。这部分患者往往病情最为危重，因此，临床迫切需要一种精准有效的评估工具，来协助医生制定科学合理的治疗方案，同时能够清晰、量化地呈现患者所面临的死亡风险程度。

在对大量文献进行深入研究后，我们发现，现有的相关风险预测评分，尤其是病情最重的加护病房病人，普遍存在准确性不佳的问题。许多评分标准只是简单地将其他领域的成熟评分体系直接套用到ACLF患者评估上，或者单纯把器官衰竭的数量加起来，没有考虑到ACLF患者的独特病理特征，缺乏应有的针对性。因此，为了填补这一空白，满足临床实际需求，我们决心开发一款专门针对ACLF患者的风险预测模型。

《国际肝病》

能否请您为我们具体介绍一下该项研究的主要成果及其亮点？

杨毅辉博士

在这项研究中，我们充分运用了机器学习模型，这一技术为我们的研究带来了诸多优势。我们现有数据库的资料丰富度非常高，尤其是ICU患者的各项数据记录十分详尽，不仅每天，甚至每小时都会进行抽血检查，获取各种生理指标，同时还包含呼吸机使用等相关数据。如此海量且密集的数据，为我们全面、深入地了解患者病情提供了坚实的基础，让我们能够精准掌握患者从患病到最终结局的全过程信息。

除了数据优势外，机器学习模型还成功弥补了传统统计学方法的不足。借助复杂而先进的机器学习算法，我们通过内部和外部验证，对模型进行了反复优化和验证，确保其具备高度的准确性和可靠性。这意味着该模型在不同的临床环境和患者群体中都能够稳定地发挥作用，具有很强的可重复性。值得一提的是，在外部验证过程中，我们与来自欧洲的一个学术团队合作，结果发现双方的研究结果高度契合，这进一步证实了我们的模型在精度和准度方面都是可靠的。

此外，为了推动模型在临床实践中的广泛应用，我们专门搭建了一个简化版模型网站。医生只需输入12项指标数据，如化验结果、患者年龄等信息，模型就能迅速给出患者的30天死亡率预测值。同时，网站还会对影响死亡率的各项指标进行细致分析，用蓝色标识出那些有助于患者远离死亡风险的积极因素，并进行量化呈现；用红色标识出正在恶化、使患者更接近死亡结局的不利因素。（图二）这种直观、清晰的呈现方式，让临床医生能够快速、准确地把握患者病情，为制定科学的治疗方案提供有力支持。
 

《国际肝病》

您能否比较一下新模型与SOFA等现有评分系统所涵盖的临床指标有何不同？

杨毅辉博士

SOFA评分系统应用范围较为广泛，多适用于ICU患者。而且，它的开发时间相对较早，主要基于传统统计学方法构建。这种普适性的评分系统虽然在一定程度上能够对ICU患者的病情进行评估，但在针对ACLF患者时，缺乏针对性。我们研发的新模型是基于机器学习技术，专门针对ACLF患者开发的。因此，新模型针对的患者群体同质性更高，能够更精准地反映ACLF患者的病情特点和变化规律，从而为这一特定患者群体提供更具针对性、更有效的评估和预测。

《国际肝病》

未来您是否计划将组学数据（如代谢组学、炎症标志物）纳入该模型，以提升对ACLF病理机制的解析能力和治疗决策支持？

杨毅辉博士

这是一个非常具有前瞻性的问题，也是一个很好的开发方向。目前，虽然我们的数据库中尚未包含相关的组学资料，但国内已经有很多优秀团队在积极探索这一领域。通过多中心资料收集的方式，对大量患者进行了全面的组学分析，随着研究的不断深入，相关的研究团队和队列会越来越多，规模也会越来越大。一旦数据积累达到一定程度，与之相匹配的统计学方法和机器学习技术也将不断完善和创新。届时，我们有望借助这些组学数据实现更精准的预测，或者对ACLF进行更细致的分型研究，为临床治疗提供更加精准、个性化的指导。

此外，考虑到ACLF患者病情的高度动态性，除了多组学分析之外，实现模型的实时预测功能对临床治疗也很重要。在这方面，我们已经在统计学方法上进行了深入思考和规划，希望在未来能够将这一设想变为现实，为ACLF患者的救治争取更多宝贵时间。

（来源：《国际肝病》编辑部）

声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。