基于自動化機器學習構建膽總管結石自發排石預測模型及應用程序

摘要：目的 鑒于膽總管結石患者治療決策的復雜性，本研究利用自動化機器學習算法，開發一款能夠預測膽總管結石患者自發排石的預測模型及應用程序，從而減少非必要內鏡逆行胰膽管造影（ERCP）。方法 回顧性收集2022年1月—2024年6月通過影像學手段明確診斷膽總管結石后擬行ERCP取石的患者數據，數據來自常熟市第一人民醫院（數據集1）和常熟市中醫院（數據集2），共835例。數據集1用于機器學習模型訓練、內部驗證和開發應用程序，數據集2用于外部測試。納入22個潛在預測變量，用于構建和內部驗證LASSO回歸模型及自動化機器學習模型。通過受試者操作特征曲線下面積（AUC）、敏感度、特異度、準確率等評估模型性能，選取最佳模型。使用特征重要性圖、力圖和SHAP圖對模型進行解釋。利用Python Dash庫和最佳模型構建Web應用程序，在數據集2上進行外部測試。使用Kolmogorov-Smirnov檢驗確定數據是否符合正態分布；對于不符合正態分布的連續變量，使用Mann-Whitney U檢驗進行2組間比較；分類變量通過χ 2 檢驗或Fisher精確檢驗來分析組間差異。結果 納入835例患者中，152例（18.20%）出現自發排石。在訓練集（n=588）和驗證集（n=171）中，LASSO模型的AUC分別為0.875、0.864，重要性排名前5的預測因素為單發膽總管結石、膽總管不擴張、膽總管結石直徑、血清ALP降低和GGT降低。通過自動化機器學習構建了55個模型，其中梯度提升機（GBM）表現最佳，其AUC為0.891，95%CI為0.859～0.927，優于極端隨機樹（XRT）、深度學習（DL）、廣義線性模型（GLM）和分布式隨機森林（DRF）模型。在測試集（n=76）中，GBM模型的預測準確率、敏感度和特異度分別為0.855、0.846和0.857。變量重要性分析顯示，單發膽總管結石、膽總管不擴張、膽總管結石直徑lt;8 mm、血清ALP降低和GGT降低這5個因素對預測自發排石具有重要影響。基于GBM模型的SHAP圖分析顯示，當患者出現單發膽總管結石、膽總管不擴張、膽總管結石直徑lt;8 mm、血清ALP及GGT降低時，出現自發性排石的概率明顯增加。結論 基于自動化機器學習算法構建的GBM模型及應用程序，在預測膽總管結石患者自發排石方面展現出良好的預測性能和使用便捷性。該應用程序能夠幫助避免非必要的ERCP，從而降低手術風險和醫保支出。

關鍵詞：膽總管結石病；胰膽管造影術，內窺鏡逆行；機器學習；預測模型

基金項目：姑蘇衛生人才培養項目（GSWS2020109）；蘇州市第二十三批科技發展計劃項目（SLT2023006）；蘇州市臨床重點病種診療技術專項項目（LCZX202334）；常熟市科技發展計劃項目（CS202019，CSWS202316）

Development of a predictive model and application for spontaneous passage of common bile duct stones based on automated machine learning

CHEN Jian 1 ，XIA Kaijian 2 ，GAO Fuli 1 ，LIU Luojie 1 ，WANG Ganhong 3 ，XU Xiaodan 1

1. Department of Gastroenterology，Changshu First People’s Hospital，Changshu，Jiangsu 215500，China；2. Changshu Key Laboratory of Medical Artificial Intelligence and Big Data，Changshu，Jiangsu 215500，China；3. Department of Gastroenterology，Changshu Traditional Chinese Medicine Hospital，Changshu，Jiangsu 215500，China

Corresponding author：XU Xiaodan，xxddocter@gmail.com （ORCID：0009-0005-1947-3339）

Abstract：Objective To develop a predictive model and application for spontaneous passage of common bile duct stones using automated machine learning algorithms given the complexity of treatment decision-making for patients with common bile duct stones，and to reduce unnecessary endoscopic retrograde cholangiopancreatography （ERCP） procedures. Methods A retrospective analysis was performed for the data of 835 patients who were scheduled for ERCP after a confirmed diagnosis of common bile duct stones based on imaging techniques in Changshu First People’s Hospital （dataset 1） and Changshu Traditional Chinese Medicine Hospital （dataset 2）. The dataset 1 was used for the training and internal validation of the machine learning model and the development of an application，and the dataset 2 was used for external testing. A total of 22 potential predictive variables were included for the establishment and internal validation of the LASSO regression model and various automated machine learning models. The area under the receiver operating characteristic curve （AUC），sensitivity，specificity，and accuracy were used to assess the performance of models and identify the best model. Feature importance plots，force plots，and SHAP plots were used to interpret the model. The Python Dash library and the best model were used to develop a web application，and external testing was conducted using the dataset 2. The Kolmogorov-Smirnov test was used to examine whether the data were normally distributed，and the Mann-Whitney U test was used for comparison between two groups，while the chi-square test or the Fisher’s exact test was used for comparison of categorical data between groups. Results Among the 835 patients included in the study，152 （18.20%） experienced spontaneous stone passage. The LASSO model achieved an AUC of 0.875 in the training set （n=588） and 0.864 in the validation set（n=171），and the top five predictive factors in terms of importance were solitary common bile duct stones，non-dilated common bile duct，diameter of common bile duct stones，a reduction in serum alkaline phosphatase （ALP），and a reduction in gamma-glutamyl transpeptidase （GGT）. A total of 55 models were established using automated machine learning，among which the gradient boosting machine （GBM） model had the best performance，with an AUC of 0.891 （95% confidence interval：0.859 — 0.927），outperforming the extreme randomized tree mode，the deep learning model，the generalized linear model，and the distributed random forest model. The GBM model had an accuracy of 0.855，a sensitivity of 0.846，and a specificity of 0.857 in the test set （n=76）. The variable importance analysis showed that five factors had important influence on the prediction of spontaneous stone passage，i.e.，were solitary common bile duct stones，non-dilated common bile duct，a stone diameter of lt;8 mm，a reduction in serum ALP，and a reduction in GGT. The SHAP analysis of the GBM model showed a significant increase in the probability of spontaneous stone passage in patients with solitary common bile duct stones，non-dilated common bile duct，a stone diameter of lt;8 mm，and a reduction in serum ALP or GGT. Conclusion The GBM model and application developed using automated machine learning algorithms exhibit excellent predictive performance and user-friendliness in predicting spontaneous stone passage in patients with common bile duct stones. This application can help avoid unnecessary ERCP procedures，thereby reducing surgical risks and healthcare costs.

Key words：Choledocholithiasis；Cholangiopancreatography，Endoscopic Retrograde；Machine Learning；Predictive Model

Research funding：Gusu Health Talent Training Project （GSWS2020109）；Suzhou 23 rd Science and Technology Development Plan Project （SLT2023006）；Suzhou Clinical Key Disease Diagnosis and Treatment Technology Special Project （LCZX202334）；Changshu Science and Technology Development Plan Projects （CS202019，CSWS202316）

膽總管結石是一種常見的膽道疾病，當前國內外指南建議使用內鏡逆行胰膽管造影（ERCP）作為膽總管結石患者的首選治療方法，無論結石的數量、大小以及是否有癥狀［1-2］。盡管ERCP是一種有效且廣泛可用的膽總管結石去除方法［3］，但其伴隨較高的風險。ERCP的并發癥包括術后胰腺炎、膽管炎、出血和穿孔，有時可能是致命的［4-6］。鑒于ERCP存在的風險，應避免在膽總管結石自發通過進入十二指腸后進行不必要的ERCP。在腹腔鏡膽囊切除術過程中進行膽管造影的患者中，膽總管結石自發排入十二指腸的情況經常發生且無任何并發癥［7］。在臨床實踐中，內鏡醫生也會遇到基于影像學手段診斷為膽總管結石的患者，但在ERCP過程中未能檢測到膽總管結石。預測和診斷膽總管結石在ERCP前的自發排出可以避免不必要的ERCP。

機器學習是人工智能的分支之一，通過算法和統計模型使計算機系統能夠從數據中學習和決策，其核心理念是通過數據訓練模型，使其在遇到新數據時能作出準確的預測或決策。自動化機器學習（automated machine learning，AutoML）是機器學習的一個子領域，專注于通過自動化機器學習工作流程的核心環節，包括特征選擇、模型選擇和超參數調優等關鍵步驟。AutoML的目標是使機器學習更易于訪問和使用，特別是為沒有深厚機器學習背景的醫護人員提供支持。王甘紅等［8］使用AutoML算法構建了結腸鏡腸道準備失敗風險的預測模型，準確率達83.2%。預測膽總管結石患者自發排石可以避免非必要的ERCP手術，閻文心等［9］采用多因素Logistic回歸分析了82例膽總管結石患者出現自發排石的影響因素。徐張巍等［10］使用97例膽總管結石患者的數據，構建了用于預測自發排石的傳統Logistic回歸模型，受試者操作特征（ROC）曲線下面積（AUC）為0.790。然而，既往研究普遍存在數據量少、模型預測性能一般的問題，而且未能將模型開發為可供臨床方便使用的應用程序，這些因素極大地限制了其在臨床中的實際應用。

本研究旨在開發一個兼具用戶友好性且具有高預測性能的機器學習模型及其Web應用程序，用于預測膽總管結石患者的自發排石情況，以期為臨床醫生提供一個既準確又易于操作的評估工具，以便能夠及早識別出可能發生自發排石的膽總管結石患者。這將有助于避免不必要的ERCP及其潛在并發癥，同時減少醫療費用的支出。

1 資料與方法

1.1 研究對象及數據收集 回顧性收集2022年1月—2024年6月通過影像學手段明確診斷膽總管結石后擬行ERCP取石的患者數據，數據來自常熟市第一人民醫院（數據集1）和常熟市中醫院（數據集2）。數據集1用于機器學習模型訓練、內部驗證和開發應用程序，數據集2用于外部測試，研究流程見圖1。排除標準：（1）非原始十二指腸乳頭的患者；（2）膽道插管不成功的患者；（3）進行Roux-en-Y或Billroth-Ⅱ重建的患者。研究中為避免數據泄露，對兩個數據集進行了清洗，移除超過30%缺失值的變量，并使用mice包（v3.14.0）的分類樹和回歸樹方法填充剩余缺失值。

收集的數據包括：基本信息（年齡、性別、BMI）、臨床特征（體溫、收縮壓、術前應用解痙藥、術前應用抗生素、膽總管結石直徑、影像學檢查與ERCP的間隔時間）、實驗室檢查［WBC、AST、ALT、TBil、DBil、ALP、GGT、ALP差值（ΔALP）、GGT差值（ΔGGT）、淀粉酶（AMY）、C 反應蛋白（CRP）］、器械檢查（膽總管擴張、單發膽總管結石、遠端膽總管結石）。

1.2 方法 膽總管結石診斷：通過綜合多種實驗室和影像學檢查方法，包括腹部超聲、內鏡超聲、CT和磁共振胰膽管造影（MRCP），進行膽總管結石的診斷，以減少單一檢查方法可能帶來的誤差。ERCP手術流程：患者采取側臥位，并在哌替啶鹽酸鹽和咪達唑侖適度鎮靜的情況下，使用側視十二指腸鏡（型號：JF-260 或 TJF-260 V；Olympus，東京，日本）進行操作。在本研究中，共有6名不同的內鏡醫生執行了ERCP手術。完成選擇性膽道插管后，進行膽管造影以確認膽總管結石的存在。然后，通過括約肌切開術、壺腹球囊擴張術或壺腹大球囊擴張術，使用籃式導管、球囊導管或機械碎石器來取出膽總管結石。即使在膽管造影未發現膽總管結石的患者中，也會使用球囊或籃式導管進行結石提取，因為小的膽總管結石有時可能無法通過膽管造影檢測到。

1.3 相關定義 （1）自發排石的定義：①患者癥狀（如腹痛、腹脹、惡心）、體征（如腹部壓痛、反跳痛、皮膚和鞏膜黃染）和實驗室檢查結果符合膽總管結石的表現，且至少有1項影像學檢查（如CT、MRCP、超聲）顯示膽總管結石；②沒有癥狀、體征和實驗室檢查結果的表現，但至少2項影像學檢查顯示膽總管結石。符合①或②中的任一條，但在ERCP手術中未發現膽總管結石者，即可診斷為自發排石。（2）非必要 ERCP的定義：在進行 ERCP手術時，造影和取石過程中未發現結石，或僅發現少量的絮狀結石。由于這些少量的絮狀結石通常不會引起膽管梗阻，也很難在影像學檢查中顯示，因此不需要進行ERCP。這種情況下，ERCP手術被認為是不必要的。（3）ΔALP=入院后復查的ALP值－入院前或入院后首次ALP值。（4）ΔGGT=入院后復查的 GGT 值－入院前或入院首次GGT值。

1.4 模型構建 將模型開發組數據（由數據集1組成）使用R語言的sample函數隨機劃分為訓練集（n=588）和驗證集（n=171）。在訓練集，使用最小絕對收縮和選擇算子（LASSO）算法進行變量選擇，并基于此構建傳統的邏輯回歸（LR）模型。同時，在Python編程環境中，利用H2O.ai平臺（www.h2o.ai）中的 H2O軟件包實現 AutoML分析。AutoML自動執行了模型訓練和超參數調整，優化了預測性能。使用的 5 種算法包括：梯度提升機（gradient boost machine，GBM）、極 端 隨 機 樹（extreme randomized trees，XRT）、深度學習（deep learning，DL）、廣義線性模型（generalized linear model，GLM）和分布式隨機森林（distributed random forest，DRF）。

1.5 模型性能評估 為全面評估模型的預測性能，采用了多種評估指標，包括敏感度、特異度、準確率、陽性預測值（positive predictive value，PPV）、陰性預測值（negative predictive value，NPV）等，并通過比較 AUC 值來評估模型性能的優劣。同時，通過繪制校準曲線和臨床決策曲線來判斷模型的校準度和臨床適用度。

1.6 模型可解釋性分析 為了深入理解機器學習模型的決策機制并解決“黑盒”問題，對模型進行了可解釋性分析，包括特征重要性分析、SHAP分析、力圖分析。特征重要性分析可以展示不同特征對整體模型預測結果的影響，幫助識別哪些特征對于模型的性能影響大。

SHAP圖是一種基于博弈論的解釋方法，通過計算每個特征對模型輸出的貢獻值，揭示模型的決策邏輯［11］。力圖作為一種可視化工具，直觀展示了各特征對單個預測結果的正負影響及其重要性［12］。

1.7 Web 應用程序開發 在 Python 環境中使用 Dash庫（版本2.12.1）開發一個Web應用程序，該應用程序基于性能最佳的模型進行構建。界面布局結合了Dash的HTML功能和Ant Design組件庫，打造了一個用戶友好的可視化操作界面。用戶可以通過下拉菜單選擇不同的預測變量，并通過點擊按鈕觸發模型進行預測。應用程序會計算并展示模型的預測結果和相應的置信度，所有信息都以數據表格的形式清晰呈現。此外，應用程序還生成了特征重要性柱狀圖，直觀地展示了各個變量對模型預測結果的影響程度。整個應用程序在本地計算機上運行，并通過數據集2進行外部測試以驗證其性能。

1.8 統計學方法 使用R語言（版本4.0.3）和Python（版本3.9.17）對數據進行統計分析。首先，使用Kolmogorov-Smirnov檢驗來確定數據是否符合正態分布。對于不符合正態分布的連續變量，則以M（P 25 ～P 75 ）表示，并使用Mann-Whitney U檢驗進行2組間比較。分類變量則以數值和百分比的形式表示，并通過χ 2 檢驗或Fisher精確檢驗來分析組間差異。Plt;0.05為差異有統計學意義。

2 結果

2.1 基線特征 研究共納入 835 例患者，其中訓練集588例、驗證集171例、測試集76例。在總隊列中，共有152例（18.20%）患者出現自發排石。在訓練集、驗證集和測試集中，分別有106例（18.03%）、33例（19.30%）和13例（17.11%）出現自發排石。研究共收集了23個可能影響膽總管結石患者出現自發排石的因素，這些因素在訓練集和驗證集中比較均無統計學差異（P值均gt;0.05）（表1）。

2.2 LASSO模型構建及性能評估 本項研究共納入23個潛在預測變量，為解決變量間的多重共線性問題，引入了LASSO回歸模型。模型通過λ值為0.050 4（λ_1se）的10倍交叉驗證進行訓練，結果見圖2。最終，共5個變量被納入LASSO回歸模型，包括：單發膽總管結石、膽總管不擴張、膽總管結石直徑、血清ALP降低和GGT降低。

LASSO模型在訓練集和驗證集上的校準曲線的平均絕對誤差（MAE）分別為 0.025 和 0.044（圖 3），提示LASSO模型的預測風險與實際觀測的風險非常接近，證明該模型可靠。模型在訓練集和驗證集上的ROC曲線見圖4；在訓練集中，模型的AUC為0.875，95%CI為0.833～0.917，敏感度為 0.847，特異度為 0.792；驗證集中，AUC為0.864，95%CI為0.798～0.930，敏感度為0.844，特異度為0.827。

2.3 AutoML 模型構建及性能評估 基于 H2O 平臺的AutoML算法，成功構建了55種不同的模型，其中包括18種GBM模型、6種GLM模型、20種DL模型、9種XRT模型，以及2種DRF模型。從每一類機器學習模型中選取表現最佳的模型，并在驗證集上進行性能對比，各項指標對比結果見表2和圖5。GBM模型表現最佳，其AUC為0.891，敏感度、特異度和準確率分別為0.894、0.742和0.888。采用SHAP法對各變量的重要性進行評價，分析結果顯示，單發膽總管結石、血清ALP降低、GGT降低、膽總管不擴張和膽總管結石直徑是性能最優模型GBM識別的預測自發排石的排名前5的關鍵變量（圖6a）。此外，通過觀察學習曲線發現，隨著訓練樣本數量的增加，GBM模型的性能逐漸穩定。在交叉驗證和驗證曲線之間展現了良好的一致性，說明模型未發生過擬合現象（圖6b）。

2.4 最佳模型在測試集的性能評估 在Python編程環境下，通過結合Dash庫和最佳模型GBM，成功開發了一款具有可視化操作界面的Web應用程序，并將其部署至本地電腦（圖7）。用戶可以利用下拉菜單選擇預測變量，并點擊“預測”按鈕獲取模型的預測結果及相應的置信度。通過點擊鏈接（https：//share.weiyun.com/9GB1nNOm）可在線查看使用該程序預測某例擬行ERCP手術的膽總管結石患者自發排石的完整操作過程。在此例中，模型以0.984的置信度成功預測該患者可能出現自發排石。

在包含76例患者的測試集上，GBM模型成功預測了65例，準確率為0.855。其中，自發排石組有13例患者，模型預測正確11例；未自發排石組有63例患者，模型預測正確54例。對于自發排石組，模型的敏感度為0.846，表示在自發排石患者中，84.6%被正確識別；特異度為0.857，表示在未自發排石患者中，85.7%被正確排除。這顯示，GBM模型不僅能夠有效識別自發排石的患者，還能準確地排除未自發排石的患者。

2.5 模型可解釋性分析 在測試集中，GBM 模型的SHAP圖中，每一行表示一個變量，紅色表示該變量的值較高的數據點，藍色表示該變量的值較低的數據點。數點越靠右，表示該變量對預測結果（自發排石）的正向影響越大。變量重要性排名前5的特征依次為：單發膽總管結石、膽總管不擴張、膽總管結石直徑lt;8 mm、血清ALP降低和GGT降低（圖8）。變量值越接近1，患者發生自發排石的可能性就越大。例如，圖中單發膽總管結石的紅色部分集中在0軸的右側，表示單發膽總管結石的患者更容易出現自發排石。因此，對于此類膽總管結石患者，進行ERCP術前準備時需要更充分地評估，以避免非必要的ERCP。

從測試集中隨機選取2個病例進行力圖分析。在這些力圖中，各變量對預測結果的影響程度通過箭頭的長度和顏色直觀表示。紅色箭頭表示該變量對預測結果具有正向影響，即增加自發排石的傾向性；藍色箭頭表示負向影響，即降低自發排石的傾向性。箭頭的長度與變量的SHAP值成正比，箭頭越長，該變量對預測結果的影響越大。圖9a中的病例顯示，ALP為106 U/L、膽總管結石直徑lt;8 mm、GGT減少、單發膽總管結石、ALP減少，這些特征增加了自發排石的傾向性，而膽總管擴張、影像學檢查與ERCP的間隔時間為2 d，降低了自發排石的傾向性，綜合考慮上述因素，該病例能夠自發排石的預測概率為72%。同樣的方法應用于圖9b中的病例，模型預測其發生自發排石的概率為9%。

3 討論

本研究訓練、驗證并測試了1種基于傳統LASSO回歸算法和55種基于AutoML算法的模型，以預測膽總管結石患者的自發排石情況，避免非必要的 ERCP手術。經過性能比較，GBM模型為最佳模型，其在驗證集上的AUC為0.891，準確率為0.888。為了便于在臨床工作中使用，將該模型開發為一款應用程序，并在測試集上評估其性能，結果顯示準確率達到了0.855。在預測膽總管結石患者是否會發生自發排石時，該模型的敏感度為0.846，特異度為0.857。該應用程序在實際臨床工作中具有良好的應用潛力。

膽總管結石可能源自膽囊的結石移行，也可能直接形成于膽總管內［1］。膽總管結石可能導致一系列嚴重的并發癥，包括阻塞性黃疸、膽管炎、急性胰腺炎、膽絞痛和敗血癥等。Andreozzi等［13］開展的一項多中心回顧性研究描述了膽總管結石患者出現自發排石到十二指腸的現象，其中17%的患者自發排石。Frossard等［14］開展的一項前瞻性研究納入92例膽總管結石患者，12例出現了自發排石。有研究指出，部分膽總管結石患者可能出現結石自發排出，使用床旁超聲可以輔助診斷自發排出的膽總管結石，從而減少不必要的 ERCP［15］。在本研究中，152例（18.20%）患者出現了自發性排石，針對這些患者，ERCP被認為是非必要的，因為術后胰腺炎、穿孔、出血等并發癥在ERCP中并不罕見。對于最終證實不存在膽總管結石的患者而言，ERCP手術不僅未能實現預期的治療價值，反而使患者承受了不必要的操作風險和相關并發癥。因此，通過構建模型預測膽總管結石患者自發排石的可能性是值得推薦的，可以避免潛在不必要的ERCP。

既往多項研究探索了影響膽總管結石患者自發排石的因素，結石大小、結石位置、結石數量以及部分實驗室檢查結果可能與自發排石存在相關性［16-18］。然而，目前尚缺乏使用機器學習方法來構建預測自發排石模型的研究。AutoML作為機器學習的一個分支，不僅在處理復雜數據和探索數據潛在特征方面具有顯著優勢，還能夠自動化地選擇、優化和組合多種模型算法，以找到最佳的預測方案。本研究納入了先前研究中發現的可能影響自發排石的因素，共構建了55種機器學習算法模型和1種傳統LASSO回歸模型，并通過性能對比篩選出了性能最佳的GBM模型。該模型在內部驗證集和外部測試集上的預測準確率均超過85%。在測試集中，模型識別出了84.6%的自發排石患者，這在臨床工作中尤為關鍵。通過模型的識別結果，可以提醒臨床醫師在ERCP術前進行腹部超聲、內鏡超聲等影像學檢查的復查，從而有效避免非必要的ERCP。這不僅減少了ERCP相關并發癥的風險，節省了醫保支出，還減少了患者的手術創傷和住院時間，改善整體治療體驗和預后。這種以數據驅動的決策方式有助于實現個體化治療，為膽總管結石患者的臨床管理帶來了新的思路和安全有效的解決方案。

在以往的醫學研究中，使用AutoML算法構建預測模型以預測疾病發生風險已成為常見做法，這些模型通常能展示良好的預測性能［19-21］。然而，這些模型在臨床實踐中的應用卻面臨實際挑戰：許多模型依賴復雜的計算公式或評分量表，操作繁瑣。對于忙碌的臨床醫務工作者而言，這類復雜的預測模型可能會引發抵觸情緒，從而限制這些優秀模型的推廣和應用［22］。本研究基于Python編程環境中的Dash庫開發了膽總管結石患者自發排石的機器學習模型Web應用程序。該應用程序通過易于訪問和操作的交互式界面、提供實時反饋、可定制化等特點，有效克服了現有模型在實際醫療環境中應用的難題，展示了其在醫療領域的應用潛力和價值。

綜上所述，本研究涵蓋了數據收集、模型訓練與驗證，以及應用程序開發和測試的完整流程。通過性能對比，GBM模型優于傳統LASSO模型和其他54種機器學習模型。基于該模型開發的應用程序能夠準確預測膽總管結石患者自發排石的概率，從而有效減少不必要的ERCP操作及相關并發癥。

盡管本研究取得了一些成果，但仍存在局限性。首先，由于目前的研究為來自兩個醫學中心的回顧性研究，數據量有限，后續計劃開展前瞻性多中心研究，以更全面地驗證該應用程序在臨床實踐中的效果。其次，目前開發的應用程序僅能在本地網絡使用，這限制了其廣泛應用的可能性。未來將考慮將模型部署到在線平臺，并提供遠程調用服務，以提升應用程序的可訪問性和便捷性，吸引更多用戶群體。然而，這一過程需要更多資源，以確保系統的穩定運行和數據的安全性。因此，計劃與信息技術專家進一步合作，探索一種成本效益合理的解決方案。此外，本研究計劃結合時間依賴性分析方法（如timeROC）進一步優化模型，以預測自發排石的發生時機，從而指導臨床選擇合適的手術干預時間。同時，本研究對象均為影像學檢查陽性的膽總管結石患者，未涉及術前影像學檢查漏診的病例。未來，將擴大數據范圍，探索該模型在影像學漏診患者中的診斷價值，以進一步提升其臨床應用潛力。

倫理學聲明：本研究方案于2024年8月8日經由常熟市第一人民醫院倫理委員會審批，批號：2024L022。

利益沖突聲明：本文不存在任何利益沖突。

作者貢獻聲明：陳健負責課題設計，資料分析，撰寫論文；高福利、劉羅杰、王甘紅參與收集數據，修改論文；夏開建負責代碼解釋及報錯解決；徐曉丹負責擬定寫作思路，指導撰寫文章并最后定稿。

參考文獻：

[1] MANES G， PASPATIS G， AABAKKEN L， et al. Endoscopic manage?ment of common bile duct stones： European Society of Gastrointesti?nal Endoscopy （ESGE） guideline[J]. Endoscopy， 2019， 51（5）： 472-491. DOI： 10.1055/a-0862-0346.

[2] ASGE Standards of Practice Committee， BUXBAUM JL， ABBAS FEHMI SM， et al. ASGE guideline on the role of endoscopy in the evaluation and management of choledocholithiasis[J]. Gastrointest Endosc， 2019，89（6）： 1075-1105. e15. DOI： 10.1016/j.gie.2018.10.001.

[3] ERCP group， Chinese Society of Digestive Endoscopology; Biliopan?creatic group， Chinese Association of Gastroenterologist and hepa?tologist， National Clinical Research Center for Digestive Diseases. Chi?nese guidelines for ERCP（2018）[J]. J Clin Hepatol， 2018， 34（12）：2537-2554. DOI： 10.3969/j.issn.1001-5256.2018.12.009.中華醫學會消化內鏡學分會ERCP學組， 中國醫師協會消化醫師分會膽胰學組， 國家消化系統疾病臨床醫學研究中心. 中國經內鏡逆行胰膽管造影術指南（2018版）[J]. 臨床肝膽病雜志， 2018， 34（12）： 2537-2554.DOI： 10.3969/j.issn.1001-5256.2018.12.009.

[4] ASGE Standards of Practice Committee， CHANDRASEKHARA V，KHASHAB MA， et al. Adverse events associated with ERCP[J].Gastrointest Endosc， 2017， 85（1）： 32-47. DOI： 10.1016/j.gie.2016.06.051.

[5] Endoscopic Surgery Group， Digestive Endoscopy Branch， Chinese Medical Association， Endoscopic Surgery Expert Working Group，Chinese College of Surgeons， Professional Committee of Pancreatic Disease， Chinese Medical Doctor Association， et al. Guideline for the management of complications of duodenal perforation associated with ERCP in China （2023 edition）[J]. Chin J Dig Surg， 2024， 23（1）： 1-9. DOI： 10.3760/cma.j.cn115610-20231025-00166.中華醫學會消化內鏡學分會內鏡外科學組， 中國醫師協會外科醫師分會內鏡外科專家工作組， 中國醫師協會胰腺病專業委員會， 等. 中國ERCP致十二指腸穿孔并發癥管理指南（2023版）[J]. 中華消化外科雜志， 2024， 23（1）： 1-9. DOI： 10.3760/cma.j.cn115610-20231025-00166.

[6] FAN L， FU Y， LIU Y， et al. Research advances in hemorrhage after endoscopic retrograde cholangiopancreatography[J]. J Clin Hepa?tol， 2023， 39（10）： 2497-2505. DOI： 10.3969/j.issn.1001-5256.2023.10.032.范玲， 傅燕， 劉懿， 等. 內鏡逆行胰膽管造影術后出血的研究進展[J]. 臨床肝膽病雜志， 2023， 39（10）： 2497-2505. DOI： 10.3969/j.issn.1001-5256.2023.10.032.

[7] KHAN OA， BALAJI S， BRANAGAN G， et al. Randomized clinical trial of routine on-table cholangiography during laparoscopic cholecystec?tomy[J]. Br J Surg， 2011， 98（3）： 362-367. DOI： 10.1002/bjs.7356.

[8] WANG GH， CHEN J， SHEN ZJ， et al. Establishing and evaluating a risk prediction model for colonoscopy bowel preparation failure based on automated machine learning[J]. China J Endosc， 2024， 30（5）：36-47. DOI： 10.12235/E20230422.王甘紅， 陳健， 沈支佳， 等. 基于自動化機器學習建立結腸鏡腸道準備失敗風險預測模型及評價[J]. 中國內鏡雜志， 2024， 30（5）： 36-47. DOI：10.12235/E20230422.

[9] YAN WX， ZHANG PP， WANG WX， et al. Influencing factors of spon?taneous passage of common bile duct stones in gallstones patients[J]. J Chin Pract Diagn Ther， 2023， 37（10）： 1025-1027. DOI： 10.13507/j.issn.1674-3474.2023.10.011.閻文心， 張平平， 王萬祥， 等. 膽總管結石合并膽囊結石患者膽總管自發排石的影響因素分析[J]. 中華實用診斷與治療雜志， 2023， 37（10）：1025-1027. DOI： 10.13507/j.issn.1674-3474.2023.10.011.

[10] XU ZW， MEI Q， HONG JL， et al. Application of endoscopic ultraso?nography combined with ALP and GGT in the diagnosis of spontane?ous migration of choledocholithiasis[J]. J Hepatobiliary Surg， 2023，31（2）： 106-110. DOI： 10.3969/j.issn.1006-4761.2023.02.010.徐張巍， 梅俏， 洪江龍， 等. 超聲內鏡聯合ALP、GGT在診斷膽總管結石自發排石中的應用研究[J]. 肝膽外科雜志， 2023， 31（2）： 106-110. DOI：10.3969/j.issn.1006-4761.2023.02.010.

[11] NOHARA Y， MATSUMOTO K， SOEJIMA H， et al. Explanation of ma?chine learning models using shapley additive explanation and applica?tion for real data in hospital[J]. Comput Methods Programs Biomed，2022， 214： 106584. DOI： 10.1016/j.cmpb.2021.106584.

[12] FAHMY AS， CSECS I， ARAFATI A， et al. An explainable machine learning approach reveals prognostic significance of right ventricu?lar dysfunction in nonischemic cardiomyopathy[J]. JACC Cardiovasc Imaging， 2022， 15（5）： 766-779. DOI： 10.1016/j.jcmg.2021.11.029.

[13] ANDREOZZI P， de NUCCI G， DEVANI M， et al. The high rate of spontaneous migration of small size common bile duct stones may allow a significant reduction in unnecessary ERCP and related com?plications： Results of a retrospective， multicenter study[J]. Surg En?dosc， 2022， 36（5）： 3542-3548. DOI： 10.1007/s00464-021-08676-8.

[14] FROSSARD JL， HADENGUE A， AMOUYAL G， et al. Choledocholithia?sis： A prospective study of spontaneous common bile duct stone mi?gration[J]. Gastrointest Endosc， 2000， 51（2）： 175-179. DOI： 10.1016/s0016-5107（00）70414-7.

[15] HERBST MK， LI C， BLOMSTROM S. Point-of-care ultrasound assists diagnosis of spontaneously passed common bile duct stone[J]. J Emerg Med， 2021， 60（4）： 517-519. DOI： 10.1016/j.jemermed.2020.11.008.

[16] KHOURY T， ADILEH M， IMAM A， et al. Parameters suggesting spon?taneous passage of stones from common bile duct： A retrospective study[J]. Can J Gastroenterol Hepatol， 2019， 2019： 5382708. DOI：10.1155/2019/5382708.

[17] JIANG L， LIU Z， YU JF， et al. On factors related to spontaneous pas?sage of common bile duct stones leading to unnecessary endo?scopic retrograde cholangiopancreatography[J]. Chin J Minim In?vasive Surg， 2024， 24（6）： 409-414. DOI： 10.3969/j.issn.1009-6604.2024.06.002.姜蕾， 劉振， 于劍鋒， 等. 膽總管結石自然排石致非必要治療性內鏡下逆行胰膽管造影的影響因素[J]. 中國微創外科雜志， 2024， 24（6）： 409-414. DOI： 10.3969/j.issn.1009-6604.2024.06.002.

[18] LEFEMINE V， MORGAN RJ. Spontaneous passage of common bile duct stones in jaundiced patients[J]. Hepatobiliary Pancreat Dis Int，2011， 10（2）： 209-213. DOI： 10.1016/s1499-3872（11）60033-7.

[19] ZHANG RF， YIN MY， JIANG AQ， et al. Automated machine learning for early prediction of acute kidney injury in acute pancreatitis[J].BMC Med Inform Decis Mak， 2024， 24（1）： 16. DOI： 10.1186/s12911-024-02414-5.

[20] LIU LJ， ZHANG RF， SHI DT， et al. Automated machine learning to predict the difficulty for endoscopic resection of gastric gastrointesti?nal stromal tumor[J]. Front Oncol， 2023， 13： 1190987. DOI： 10.3389/fonc.2023.1190987.

[21] LIU LJ， ZHANG RF， SHI Y， et al. Automated machine learning for predicting liver metastasis in patients with gastrointestinal stromal tu?mor： A SEER-based analysis[J]. Sci Rep， 2024， 14（1）： 12415. DOI：10.1038/s41598-024-62311-9.

[22] MURPHREE DH， QUEST DJ， ALLEN RM， et al. Deploying predictive models in A healthcare environment-an open source approach[C]//2018 40 th Annual International Conference of the IEEE Engineering in Medicine and Biology Society （EMBC）. Honolulu， HI， USA， 2018：6112-6116. DOI： 10.1109/EMBC.2018.8513689.

收稿日期：2024-08-16；錄用日期：2024-09-06

本文編輯：劉曉紅

引證本文：CHEN J， XIA KJ， GAO FL， et al. Development of a predictive model and application for spontaneous passage of common bile duct stones based on automated machine learning[J]. J Clin Hepatol， 2025， 41（3）： 518-527.

陳健， 夏開建， 高福利， 等. 基于自動化機器學習構建膽總管結石自發排石預測模型及應用程序[J]. 臨床肝膽病雜志， 2025， 41（3）： 518-527.