论著·菁英荟研究报告|ERCP术后早期胆囊炎临床表型分类与风险预测模型构建:多中心前瞻性研究——金伯儒 王学斌 岳平等

胆总管结石；内镜逆行胰胆管造影术；早期胆囊炎； 策树；预测模型

ERCP已成为治疗胆胰疾病的一线微创手段，日间ERCP也被迅速推广^［1‑4］。ERCP术后并发症研究主要聚焦于术后胰腺炎^［5］。ERCP术后胆囊炎（post‑ERCP cholecystitis，PECC）因早期症状常与一般术后腹痛混淆，极易漏诊^［6］。PECC总发生率虽仅为0.5%~5.0%^［7］，但易迅速进展为重症感染，合并胆囊穿孔时甚至需急诊行胆囊切除或经皮穿刺引流^［6］。ERCP术后并发症预测模型多采用Logistic回归或有监督机器学习算法，均难以捕捉患者的高度异质性^［8‑10］。无监督机器学习可对患者进行客观临床表型聚类^［11］，结合沙普利加法解释（SHapley Additive exPlanations，SHAP）理论还能实现预测结果的个体化与全局化解释^{［12‑13］}。但无监督聚类仅能完成群体层面的风险分类，无法精确估计个体患者发病率。本研究前瞻性分析2020年2月至2023年10月4家医学中心收治的1019例（兰州大学第一医院799例、武威肿瘤医院131例、天水市第一人民医院57例、陇南市中医院32例）行ERCP取石的胆总管结石患者临床资料，探讨基于无监督机器学习的临床表型分类在ERCP术后早期PECC风险预测中的应用价值，并构建基于有监督机器学习的个体化风险预测模型。

资料与方法

一、病例选择

采用前瞻性队列研究方法。选取行ERCP取石的胆总管结石患者临床资料。

纳入标准：（1）年龄≥18周岁。（2）术前明确诊断为胆总管结石。

排除标准：（1）术前合并急性胆囊炎。（2）既往胆囊切除术后残余胆囊。（3）消化道重建术后。（4）生命体征不稳定。（5）凝血功能障碍（国际标准化比值>1.5）。（6）低血小板血症（PLT<50×10⁹/L）或使用抗凝药物。（7）术前合并急性胰腺炎。（8）消化道出血。（9）严重肝病。（10）感染性休克。（11）ERCP术中确认胆管十二指肠瘘。（12）妊娠或哺乳期。

本研究通过兰州大学第一医院医学伦理委员会审批，批号为LDYYLL2020‑8。患者及家属均签署知情同意书。研究在美国ClinicalTrials.gov注册，注册号为NCT04242394。

二、随机化和盲法

本研究为前瞻性队列研究。采用计算机随机数字表法将患者随机分为训练集和内部验证集。两位临床医师独立盲法判定患者术后24 h内发生PECC（早期PECC）情况。

三、分组

1019例患者通过随机数字表法按7∶3分为训练集（715例）和内部验证集（304例）。训练集与内部验证集患者基线临床特征比较，差异均无统计学意义（P>0.05），具有可比性。见表1。回顾性收集2023年12月至2024年12月兰州大学第一医院收治的110例行ERCP取石的胆总管结石患者作为独立的外部验证集，用于外部验证预测模型。

四、研究方法

（一）临床数据收集与清洗

基于文献及临床经验纳入65个候选变量，涵盖人口学特征与合并症、术前及术后实验室指标、生命体征、影像学资料及术中操作。剔除缺失率>15%的变量。少量缺失数据采用随机森林多重插补法填补。对非正态变量行对数转换，采用Spearman秩相关分析消除共线性（|r|>0.8阈值），保留最终进入聚类分析的变量集。

（二）无监督共识聚类与结局锁定

选用Gower距离联合中心点划分算法对清洗后的基线数据进行无监督聚类。通过1 000次Bootstrap重抽样确定最佳聚类数（K值），将1019例患者划分为3种临床表型。比较各表型间基线特征及术后24h内主要并发症发生率。确定PECC为主要目标结局后，以早期PECC及急性梗阻性化脓性胆管炎（acute obstructive suppurative cholangitis，AOSC）作为二分类结局指标，采用Fisher确切概率法检验比较各表型间发生率差异。在早期PECC患者中进一步分析各表型间AOSC转化率。

（三）多重算法降维与决策树构建

采用集成特征选择进行变量筛选，取随机森林、Boruta、最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）3种算法筛选结果的交集确定最终核心特征集。采用极端梯度提升树模型对核心变量进行拟合，并采用SHAP行可解释性分析。以核心特征作为输入节点，基于分类与回归树算法构建可视化临床决策路径。

（四）基于有监督机器学习的个体化PECC风险预测模型

将聚类所得3种临床表型标签与初始特征共同纳入建模，经单因素Logistic回归初筛后，选取随机森林特征重要性排名前6位的核心特征构建个体化预测模型。绘制受试者工作特征曲线（receiver operating characteristic curve，ROC）并计算曲线下面积（area under the curve，AUC），依据约登指数确定最佳阈值，并建立校准曲线、决策曲线及临床影响曲线评价模型效能。最终将个体化风险预测模型应用于独立外部验证集。

五、观察指标和评价标准

观察指标：（1）患者入组与术后并发症发生情况。（2）无监督聚类分析。（3）筛选区分临床表型的核心变量。（4）构建临床决策树。（5）构建个体化早期PECC风险预测模型。

评价标准：结局指标包括ERCP术后胰腺炎、ERCP术后胆管炎、术后穿孔及出血，其诊断标准均参考欧洲胃肠内窥镜学会指南［7］。PECC的定义参照文献^［14］，需满足局部炎症征象、全身炎症征象及影像学特征的确诊标准。将ERCP术后≤24h发生的PECC定义为早期；>24h发生的PECC定义为迟发性。单一患者合并多种并发症时按多个阳性结局处理。将年龄≤45岁的女性定义为年轻女性^［15］。

六、随访

患者行术后24h随访观察，收集ERCP术后24h并发症，由2位资深临床医师独立双盲判定。

七、统计学分析

应用R 3.4.2统计软件进行分析。通过Shapiro-Wilk检验评估数据的正态性，正态分布的计量资料以x±s表示，多组间比较采用单因素方差分析；偏态分布的计量资料以M（Q₁，Q₃）表示，组间比较采用Mann‑Whitney U检验或Kruskal‑Wallis H检验。计数资料以绝对数或百分比表示，组间比较采用Pearson χ²检验或Fisher确切概率法。单因素Logistic逐步回归模型与随机森林模型筛选预测因子。建立机器学习预测模型及结果可视化输出，绘制ROC，并计算AUC、灵敏度、特异度、阴性预测值，采用Delong检验、Hosmer‑Lemeshow检验、决策曲线评价预测模型的效能。P<0.05为差异有统计学意义。

结  果

一、患者入组与术后并发症发生情况

筛选出符合条件行ERCP取石的胆总管结石患者1019例；男581例，女438例，年龄为（60±16）岁。1 019例患者中，发生PECC 75例（早期66例、迟发性9例），其中19例合并多种早期并发症。

二、无监督聚类分析

1019例患者进行无监督聚类分析，Spearman秩相关分析剔除TBil、DBil、体质量、AST 4个高度相关变量，共识聚类分析示K=3时分类效果最优，将患者按照临床表型划分：表型1为381例，表型2为489例，表型3为149例。3种临床表型35项相关指标比较，差异均有统计学意义（P<0.05）。见表2。

表型1、表型2、表型3患者早期PECC发生率分别为8.40%（32/381）、4.50%（22/489）、8.05%（12/149），3者比较，差异有统计学意义（χ²=6.093，P=0.048）；AOSC发生率分别为4.46%（17/381）、1.02%（5/489）、3.36%（5/149），3者比较，差异有统计学意义（χ²=10.158，P=0.006）；早期PECC转化为AOSC的发生率分别为53.1%（17/32）、22.7%（5/22）和41.7%（5/12），3者比较，差异无统计学意义（χ²=4.987，P=0.084）。

三、筛选区分临床表型的核心变量

将表2中35个差异有统计学意义的变量纳入随机森林、Boruta和LASSO三重降维，取3种算法输出特征的交集（图1），最终筛选出进一步区分临床表型的14个核心变量，包括性别、慢性胆囊炎、胆总管多发结石、胆囊结石、胆囊壁粗糙、内镜下乳头球囊扩张、机械碎石、胆管扩张、年龄、BMI、最大结石长径、Hb、DBil与GGT。SHAP分析显示：慢性胆囊炎、胆总管多发结石、性别以及内镜下乳头球囊扩张是驱动临床表型分类的核心变量  （图2）。

四、构建临床决策树

以14个核心变量作为输入节点，基于临床表型与回归树算法生成临床决策路径，经算法自动剪枝最终模型保留9个关键临床变量（图3），分别为性别、慢性胆囊炎、胆总管多发结石、胆囊结石、胆囊壁粗糙、内镜下乳头球囊扩张、胆管扩张、最大结石长径与GGT。

五、构建个体化早期PECC风险预测模型

以术后24h内发生PECC为二分类结局，将临床表型作为特征变量与61个初始变量一并纳入单因素Logistic回归分析。训练集715例胆总管结石患者单因素分析结果显示：临床表型2、术前使用抗菌药物、胆囊结石、胆囊壁增厚、胆囊壁粗糙、造影剂类型、机械碎石、术后残余结石、WBC升高、C反应蛋白、血清淀粉酶、降钙素原均是影响发生早期PECC的相关因素（P<0.05）。见表3。

将单因素分析结果纳入随机森林模型进行特征重要性排序，结果显示：排名前6位变量依次为WBC升高、C反应蛋白、血清淀粉酶、临床表型分类、胆囊结石和胆囊壁粗糙。基于上述6个变量构建预测模型。预测模型性能评价显示：预测模型在训练集和内部验证集的AUC分别为0.982（95%CI为0.974~0.993）和0.902（95%CI为0.799~1.000）；基于普拉特校准的约登指数最佳预测概率阈值分别为0.162和0.103，灵敏度分别为0.921和0.895、特异度分别为0.963和0.877、阴性预测值分别为0.991和0.990。Delong检验结果显示：训练集和内部验证集AUC比较，差异无统计学意义（Z=1.554，P=0.121）。Hosmer-Lemeshow检验结果显示：预测模型在内部验证集中的拟合度较好（χ²=5.963，P=0.113）。决策曲线结果显示：预测模型具有较高临床净获益，临床阈值概率为2%~70%，临床决策阈值>40%。预测模型的阴性预测值接近100%。将预测模型应用于110例外部验证集队列，外部验证集AUC为0.886（95%CI为0.782~0.991），灵敏度为0.714、特异度为0.806、阴性预测值为0.981（图4）。

讨  论

本研究从患者异质性出发，采用无监督机器学习模型预测ERCP术后并发症，在完全盲化结局的前提下将胆总管结石患者划分为3种临床表型，并在可视化决策树路径独立外部验证集中验证了风险区分度，实现了表型分类到个体发病概率的预估。

本研究中PECC的发生率达7.36%（75/1019），高于既往文献报道的0.5%~5.0%^［7］。这与本研究排除了胆囊切除史患者，客观上富集了胆囊易感人群，因此，呈现更高的真实发病率有关。研究者基于机器学习的PECC预测研究结果显示：胆囊结石是PECC最核心的危险因素^{［16‑17］}。本研究中无监督聚类识别出两种不同的致病路径，在完全盲化结局的前提下发现早期PECC高风险有两种来源。表型1代表了慢性胆囊病变驱动路径。长期慢性炎症使胆囊壁纤维化、顺应性下降，胆囊黏膜屏障功能受损，使其处于持续的亚临床易感状态，胆囊管的一过性梗阻或压力改变极易诱发急性炎症^［18］。表型3则代表了操作复杂性驱动路径。该亚群主要为高龄患者，表现为胆管扩张较重且乳头旁憩室多发^［19］，术前感染指标重并伴有胆道梗阻^［15］，且术中经历了高比例的十二指肠乳头球囊扩张和机械碎石等操作。这些复杂操作造成的机械性损伤及乳头水肿^［8］，是诱发PECC的后天机械性触发因素。在早期PECC的患者中，表型1的AOSC转化率高于表型2。这提示慢性炎症基础上触发的急性胆囊炎，一旦脓液积聚突破胆囊壁屏障，极易迅速向感染性休克方向进展^［20］。

本研究在无监督与有监督机器学习互补的条件下，成功识别了保留胆囊的胆总管结石患者的3种异质性临床表型，通过将复杂的多维聚类转化为可读性的决策树路径。进一步构建的6种变量随机森林模型将风险评估从群体层面推进至个体概率层面，为日间出院的安全决策提供了可量化的概率依据。

基于本研究结果，笔者团队认为：ERCP围手术期管理应从并发症发生后的被动处理逐步变为基于临床表型的主动防御^［21］，将模型整合入医院电子病历系统可在术前实时辅助医师决策^［22］，同时开展基于临床表型的分层干预试验。对判定为表型1的高危患者，预防性应用特定抗菌药物；针对表型3的高危患者，常规留置预防性胆囊引流管^［23］，或在术中严格限制十二指肠乳头反应，从而真正切断早期PECC的发病链条^［24］。

本研究存在的局限性：（1）结局定义的时间窗口相对局限。主要终点限定在术后24h内，排除了迟发性胆囊炎，导致其对PECC的评估偏保守。（2）研究人群存在地域局限性。西北地区特有的高脂饮食结构及高原环境可能导致本研究流行病学特征具有地域特异性。（3）模型未纳入胆汁培养、胆囊动力学参数等精细化指标。（4）早期PECC亚组中各表型样本量偏少，导致AOSC转化率比较统计效能不足。

综上，基于无监督机器学习将行ERCP胆总管结石患者按照临床表型分为3类，其中表型1和表型3是早期PECC的高发病率亚群。结合表型标签构建的个体化预测模型具备良好的鉴别力与较高的阴性预测值。

利益冲突  所有作者声明不存在利益冲突

作者贡献声明金伯儒：研究构思与设计，数据收集与整理，统计分析，论文撰写；王学斌：数据收集与整理，数据分析；岳平：研究设计，数据审核，论文修订；张旭：文章修订及作图；刘振、钟汝阳、靳克成：数据收集，资料整理；裴兆吉：天水市第一人民医院分中心数据收集；王晶晶：陇南市中医院分中心数据收集；赵云：陇南市中医院分中心数据收集；卢林芝：武威肿瘤医院分中心数据收集；林延延、张磊：数据核对与研究指导；朱克祥、朱晓亮：论文修订与审阅；孟文勃：研究总体设计与监督，论文最终审定，经费支持