急性胰腺炎是急诊接诊的主要消化道病种之一，若部分患者发生胰腺出血坏死，伴有全身及局部并发症，如继发感染、腹膜炎、休克等，则为重症急性胰腺炎(severe acute pancreatitis，SAP)，其病死率可高达30%^[1]。有10%~20%的急性胰腺炎会发展为SAP，及时预判对于早期正确救治、改善临床结局非常关键。现有的病情进展预测方法主要依靠临床评分系统，但Ranson评分具有延迟性，APACHE Ⅱ评分参数较多且部分指标需要特殊测定，急性胰腺炎CT严重程度指数(CT severity index，CTSI)基于局部并发症评分，急性胰腺炎严重程度床边指数(bed-side index for severity of AP，BISAP)无法有效反映全身情况，均不能很好地满足临床需要^[2]。如果在入院48 h内，依据临床常规血液生化检查可以预判SAP的发生，则为SAP的早期救治争取了机会^[3-4]。机器学习是一门多领域交叉学科，涉及概率论、统计学、算法复杂度理论等多门学科，致力于研究通过计算手段和数据来改善系统性能，机器学习依靠计算机的强大算力，分析既往病例特征而生成预测模型，对待预测病例产生量化结果，相较于传统方法，其不仅能明确疾病相关危险因素，还具有时间短、效率高的优势，同时还可在验证过程中展现反复校正的能力^[5-7]。因此，本研究根据急性胰腺炎患者入院生化指标，基于改进的阿基米德优化算法求解RUSBoost模型超参数，构建组合的机器学习模型，进而实现早期预测SAP的发生，以期为改善SAP预后提供参考。

1 资料与方法 1.1 研究对象

纳入2014年1月至2023年8月陆军特色医学中心消化内科和肝胆外科以及联勤保障部队第九四五医院急诊与重症医学科收治的973例急性胰腺炎患者，根据排除标准，排除既往有严重肝肾功能异常病史患者376例、伴有感染性疾病患者154例、伴有代谢性疾病患者17例、合并恶性肿瘤患者49例、手术引起的患者17例、妊娠期妇女8例，最终纳入352例患者为研究对象，其中陆军特色医学中心335例，联勤保障部队第九四五医院17例。根据修订版Atlanta分级^[8]将患者按照病情严重程度分为重症组(n=88)和非重症组(n=264)，开展病例对照研究。本研究通过了陆军特色医学中心伦理委员会审核批准[医研伦审(2023)第211号]，且所有患者数据进行匿名化处理后再分析。

1.2 纳入与排除标准

急性胰腺炎诊断标准：具体表现为急性、持续性中上腹痛，血淀粉酶或脂肪酶超过正常值上限的3倍，腹部超声和CT出现典型的影像学改变^[8]。SAP的诊断符合《中国急性胰腺炎诊治指南(2019年，沈阳)》^[9]的有关诊断标准。

纳入标准：①首次发病确诊为急性胰腺炎或SAP；②临床资料完整；③发病72 h内入院；④入院后6 h内行腹部CT、胸部CT检查；⑤伴有持续性上腹痛或中上腹痛，还可能伴有恶心、呕吐、发热等症状。

排除标准：①既往有严重肝肾功能异常病史；②伴有感染性或代谢性疾病；③合并恶性肿瘤；④手术引起的急性胰腺炎；⑤妊娠期妇女。

1.3 方法

1.3.1 算法改进

为构建针对非平衡高维特征数据的预测模型，选择RUSBoost集成算法和改进的阿基米德智能优化算法。RUSBoost通过随机欠采样实现类别均衡，并通过独立采样解决信息丢失问题。因传统的RUSBoost在高维数据处理时受到“维度灾难”的影响，具有一定陷入局部最优的风险，性能下降。本研究提出改进的阿基米德优化算法来同时进行模型构建和特征选择。具体改进如下：①Circle混沌映射，群体智能优化算法一般通过随机化产生种群，但当种群规模较小时，利用随机数组产生的种群遍历性不够，易导致寻优结果陷入局部最优。混沌序列具有强遍历性、不可预测性和初始值敏感等特点，这使得混沌映射能更好承担初始化种群的任务。Circle映射是混沌映射的典型代表，其表达式如下：Xi+1=[Xi+0.2-(0.5/2π)sin(2πXi)]mod1, Xi∈(0，1)。②逐维高斯变异，高斯变异的局部搜索能力较好，但是引导个体跳出局部较优解的能力较弱，不利于全局收敛。为提高算法的全局搜索能力，针对最优位置，每次迭代后皆采用逐维高斯变异进行变异，然后采用贪婪策略保留最优解。针对每个维度进行变异，其中w为惯性权重，Xbestnew(j)=w×Xbest(j)+randn×Xbest(j)；采用贪婪策略进行适应度更新：

1.3.2 数据预处理

纳入患者入院后48 h内的39个(Q1~Q39)实验室检查指标，分别为Q1：红细胞(×10¹²/L)、Q2：血红蛋白(g/L)、Q3：红细胞压积、Q4：红细胞平均体积(fl)、Q5：红细胞分布宽度(%)、Q6：血小板(×10⁹/L)、Q7：淋巴细胞总数(×10⁹/L)、Q8：淋巴细胞百分数(%)、Q9：中性粒细胞总数(×10⁹/L)、Q10：中性粒细胞百分数(%)、Q11：中性粒细胞/淋巴细胞、Q12：C反应蛋白(mg/L)、Q13：总蛋白(g/L)、Q14：白蛋白(g/L)、Q15：球蛋白(g/L)、Q16：前白蛋白(mg/L)、Q17：总胆红素(μmol/L)、Q18：直接胆红素(μmol/L)、Q19：间接胆红素(μmol/L)、Q20：谷草转氨酶(U/L)、Q21：谷丙转氨酶(U/L)、Q22：总胆固醇(mmol/L)、Q23：甘油三酯(mmol/L)、Q24：高密度脂蛋白(mmol/L)、Q25：低密度脂蛋白(mmol/L)、Q26：钠(mmol/L)、Q27：钾(mmol/L)、Q28：氯(mmol/L)、Q29：钙(mmol/L)、Q30：镁(mmol/L)、Q31：磷(mmol/L)、Q32：尿素(mmol/L)、Q33：肌酐(μmol/L)、Q34：尿酸(μmol/L)、Q35：微球蛋白(mg/L)、Q36：视黄醇结合蛋白(mg/L)、Q37：尿淀粉酶(U/L)、Q38：血清脂肪酶(U/L)、Q39：纤维蛋白原(g/L)。2家医院的相同指标采用的均为同种检验方法，且正常值标准一致。构建模型前，所有指标数据均经Z-score标准化处理，去除量纲差异影响。

1.3.3 模型训练和评价

选取RUSBoost集成算法构建组合模型，将模型构建过程中的超参数优化和特征选择都看成寻优问题，再利用研究提出的改进的阿基米德优化算法，进行全局寻优，最终确定模型参数和关键特征，其中学习器类型选择决策树，优化的超参数类型包括最大分裂数、学习器数量以及学习率。选择目前应用广泛，性能稳定的4种机器学习模型进行对比：支持向量机、极端梯度提升集成和随机欠抽样提升集成。

为规避过拟合风险、提升训练稳定性，在训练集中应用五折交叉验证，考虑数据集的非平衡特点，选取AUC作为模型寻优指标，模型训练迭代完毕输出最佳特征和超参数组合，再带入训练集和测试集数据，比较训练情况和进行性能测试。数据打乱后，随机选取总例数的80%(282例)作为训练集，剩余20%(70例)作为测试集。其中带入39个特征(Q1~Q39)，因变量为是否为SAP(0=非SAP，1=SAP)。选用灵敏度和特异度指标对网络分类结果进行定量评估，并选择AUC作为首选性、综合性指标。各指标的取值范围均为0~1，数值越大代表分类效果越好，错误率则相反。

1.3.4 ReliefF算法特征重要性排序

ReliefF算法是一种经典的特征选择方法，通过评估特征之间的重要性来帮助确定哪些特征对目标变量的预测最具有影响力。本研究使用ReliefF算法来评估急性胰腺炎患者发生SAP影响因素的重要性。该算法基于以下原理：对于每个样本，ReliefF通过计算其最近邻样本的特征差异来衡量特征的重要性。具体而言，对于每个特征，算法会计算样本与其最近邻样本之间的差异，并将这个差异用于更新特征的重要性评分。通过重复这个过程，算法可以得到每个特征的重要性排序。

1.4 统计学分析

运用SPSS 25.0软件分析数据，计数资料用[例(%)]表示，采用χ²检验；正态分布的计量资料用x±s表示，采用t检验；影响因素分析采用多因素Logistic回归分析，自变量采用逐步法进入回归方程；特征重要性排序采用ReliefF法。以P < 0.05表示双侧检验差异有统计学意义。

2 结果 2.1 基本资料

352例患者中重症组共88例，占比为25.00%。重症组与非重症组比较，年龄、性别、吸烟史、饮酒史差异无统计学意义，见表 1。

2.2 改进阿基米德优化算法模拟测试结果

利用23种常见的测试函数对改进机器学习模型的性能和效率进行综合评估，对比的算法包括阿基米德优化算法、遗传算法、粒子群算法、麻雀优化算法。结果表明，改进机器学习模型的整体收敛速度和全局寻优能力明显优于其他算法。图 1中4个函数的三维曲面图展示每个基准函数的二维搜索空间；折线图表示收敛取消，横坐标为迭代次数，纵坐标为适应度值。

2.3 预测模型性能分析

研究纳入3个传统模型进行对比，3个传统模型纳入特征为ReliefF算法特征重要性排序的前10名(Q12、Q30、Q28、Q39、Q37、Q31、Q32、Q3、Q29和Q38)。相较于传统模型，改进机器学习模型具有最为优异的分类性能。在训练集中，改进机器学习模型的AUC为0.922；在测试集中，改进机器学习模型的AUC达到了0.888。最终改进机器学习模型筛选出6个特征，分别为Q12(C反应蛋白)、Q28(氯)、Q30(镁)、Q32(尿素)、Q37(淀粉酶)、Q39(纤维蛋白原)，见表 2、3，图 2。

2.4 筛选特征价值分析

2.4.1 ReliefF算法特征重要性排序

使用ReliefF算法进行特征重要性排序，改进机器学习模型筛选的变量皆在前10，说明筛选出的特征确为关键特征，与ReliefF结果吻合，见图 3。

2.4.2 筛选特性影响因素分析

将改进机器学习模型筛选的变量带入Logistic回归模型，采用逐步回归法，最终保留4个关键影响因素，见表 4。

3 讨论

急性胰腺炎是消化系统疾病中常见的急重症之一，多种始动因素导致胰酶系统激活，进一步发生白细胞趋化、氧化应激、微循环障碍、细菌易位等情况，最终导致胰腺组织的大量破坏。SAP属于胰腺炎的危急情形，占20%~30%，伴有持续性器官功能障碍^[10]。现代医学认为，胰腺炎是一个动态发展的过程，因此，如能早期预测SAP的发生，并提前给予针对性的规范化治疗，可以缩短其病程、降低病死率。

近年来，人工智能方法在医学领域发展迅速，机器学习通过数据属性定义数据，利用临床数据和特定算法来预测各种结局指标并构建模型。对不同算法进行比较，能够提高临床预测效能，该技术不仅能从多个数据模块中进行学习，有效地识别与患者结局相关的变量，准确地发现相关危险因素、从复杂的数据中探索规律并建立数学模型，而且还可以在验证的过程中具有反复校正的能力^[11-12]。本研究以实验室检查结果为指标，构建改进的机器学习模型，针对不同算法调整相关参数，通过五折交叉验证降低随机性影响和防止过拟合，通过剪枝提升模型在测试集上表现。基于决策树的方法是机器学习算法中的一个大家族，其中ReliefF是具有代表性的Bagging集成算法。作为分析生存数据的随机森林方法，其是一种包含大量决策树的集成学习算法，即将若干个独立的弱分类器整合成一个强分类器来实现精确预测，对数量较少的样本给予更多的权重，以保证数据均衡，还可以额外加入不同算法，以保证在数据类型不明确情况下得到好的模型^[13-14]。

本研究以改进的阿基米德优化算法为引导，利用改进的机器学习模型分析入院时的39项常规实验室生化指标，帮助构建SAP早期诊断预测模型，同步完成特征筛选和超参数优化的任务，并利用ReliefF算法特征重要性排序和Logistic多因素分析方法，对筛选出的特征进行价值分析。共筛选出4个影响因素，分别为C反应蛋白、血氯、血镁、血浆纤维蛋白原水平，可用来早期诊断SAP。本研究以改进的阿基米德优化算法求解得到了一组RUSBoost模型的超参数，比常规的寻参方法效果更好。

分析最终被纳入的4个影响因素，其可能机制为：①急性胰腺炎的发病原因通常与酗酒、感染等因素有关，机体在胰腺组织形成炎症反应，当机体处于SAP等应激情况时，多种炎症因子激发肝细胞合成C反应蛋白(C-reactive protein，CRP)，CRP在数小时内迅速上升，甚至达到正常值上限的数百倍^[15]。STIRLING等^[16]的研究显示，CRP水平能预测急性胰腺炎发展为何种严重程度，具体为：入院48 h内CRP> 190 mg/L或入院后48 h内CRP变化值(升高值)>90 mg/L，对疾病发展为SAP的预测值分别为96.1%和95.6%。②SAP常合并腹腔出血、消化道出血、血小板减少等并发症，但由于全身炎症反应，使得血液处于高凝状态，纤维蛋白原呈现高表达^[17]。③氯是维持人体脏器功能正常、内环境平衡中重要的电解质之一，其水平降低常见于呕吐、大量体液丢失。急性胰腺炎常伴有顽固的恶心呕吐，刺激腹膜导致剧烈腹痛，且由于炎症因子刺激，可导致腹膜大量的液体渗出，从而出现体液丢失的症状，导致包括低氯在内的电解质紊乱。崔沪宁等^[18]的研究显示，血氯水平、IL-6联合凝血指标可预测SAP的严重程度，AUC为0.89，敏感度(82.50%)及特异度(85.50%)较高，与本研究结果具有一致性。④镁作为人体第4大必需矿物质，广泛分布于骨骼及肌肉中，在多种疾病的发生发展以及治疗中起着重要的作用^[19]。在急性坏死性胰腺炎中，胰腺周围脂肪坏死而形成脂肪酸，与镁离子、钙离子结合形成镁皂、钙皂，导致镁离子、钙离子吸收减少，引起低镁血症^[20]。

综上所述，应用改进机器学习模型分析实验室检查结果，可帮助临床早期诊断SAP的发生，辅助制定治疗方案，改善预后。但本研究也存在一定的局限性，首先本研究采用了病例对照研究，在样本选择上存在一定的偏倚，限制了结果的推广能力。其次，研究使用的观察指标可能未能覆盖所有的潜在因素，可能会对结果的解释和推断产生一定的影响。