祝贺团队成果在《Nature Communications》发表
- 发布时间：
- 2026-01-20
- 文章标题：
- 祝贺团队成果在《Nature Communications》发表
- 内容：
Nature子刊丨机器学习重构ACLF风险评估，酸碱平衡变量成核心指标
慢加急性肝衰竭（ACLF）是一种临床表现复杂、定义多样且病理特征尚不明确的疾病，这为风险分层和精准管理带来了挑战。无监督聚类方法通过避免预设假设，能够实现更为客观的患者亚型划分。2026年1月，西安交通大学数学与统计学院祖建教授团队、西安交通大学第二附属医院肝病科纪泛扑教授团队、美国洛杉矶Cedars-Sinai医学中心杨毅辉博士以及英国伦敦大学学院Rajiv Jalan教授联合在Nature Communications发表了题为“Unbiased Clustering of Acute-on-Chronic Liver Failure Patients Using Machine Learning in a Real-World ICU Cohort”的研究。该研究基于真实世界队列，运用机器学习模型对ACLF患者进行无偏聚类，揭示了关键聚类特征的分布规律，量化了不同亚型间的死亡风险差异，并深入解析了各集群的临床表型特征。
研究从MIMIC-IV重症监护数据库中筛选出2008年至2019年期间符合北美终末期肝病研究联盟（NACSELD）标准的ACLF患者。通过基于模糊聚类改进的环绕中心点分割算法（PAC）确定最优聚类数目，并选用性能最优的非负矩阵分解（NMF）模型生成患者亚型。结果显示，基于1256例符合NACSELD定义的ACLF患者数据，NMF模型的最佳聚类数为2，其中Lee算法性能最佳。一致性矩阵作为评估NMF聚类稳定性的核心诊断工具，在Lee-2模型中显示出清晰且无重叠的区块边界，表明聚类结果高度稳定，患者分类明确（图1）。
图1. 最佳聚类模型Lee-2一致性矩阵
Lee-2模型聚类结果的t-SNE可视化表明，虽然两个亚组之间存在一些重叠，但大多数数据点被明显分组，表明聚类性能良好（图2a）。
同时，Lee-2模型聚类的两个集群之间的死亡风险存在显著差异，亚组1的30天死亡率（70.35%）高于亚组2（26.06%）（图2b）。而传统器官衰竭数量分类的方法，虽然随着器官衰竭数量的增加，慢加急性肝衰竭患者死亡率也在增加，Grade I、Grade II、Grade III的30天死亡率分别为45.05%、62.86%、69.05%（图2c），但是Lee-2模型分类后不同组别之间的死亡率差异更显著，说明Lee-2模型能够更好地区分患者的风险程度。
值得注意的是，酸碱平衡相关变量，包括碳酸氢盐、pH、碱基过剩、乳酸和阴离子间隙在ACLF患者的聚类中发挥了重要作用，这是过往探究中很少提及的，进一步揭示了酸碱平衡在ACLF中的重要作用（图2d）。
图2. 根据Lee-2模型分类的慢加急性肝衰竭患者的亚组分析(a)聚类结果的t-SNE可视化。(b)根据Lee-2模型预测的慢加急性肝衰竭患者在第30天的死亡率。(c)根据器官衰竭数量分类的慢加急性肝衰竭患者在第30天的死亡率。(d)根据Lee-2模型分类的两个聚类的前十大贡献变量。
在验证分析中，研究团队利用Lee-2模型对更大规模ICU中的失代偿期肝硬化患者队列（无论是否进展为ACLF）进行了验证，证明了该聚类模型的稳健性及其在真实世界环境中的潜在可用性。同时，Lee-2在欧洲肝病研究协会（EASL-CLIF）定义的ACLF队列中的良好表现也证明了其广泛的适用性。此外，研究还使用独立队列对聚类模型进行了外部验证，其外部验证结果也证实了模型的稳定性和可重复性。
图3. 使用Lee-2模型比较两组慢加急性肝衰竭患者前十大基线特征的雷达图
综上，本研究采用无偏聚类方法成功识别出具有不同死亡风险和生理特征的慢加急性肝衰竭集群，并强调了代谢调节在慢加急性肝衰竭结局中的关键作用。
论文链接：https://www.nature.com/articles/s41467-026-68368-6