郑继盛，吕梦雨，宫淑萍，赵晓敏

    尽管胰十二指肠切除术(PD)的死亡率已经下降至2%以内[1-2]，但临床相关性术后胰瘘(clinically relevant postoperative pancreatic fistula,CR-POPF)的发生率仍然高居于3%～45%的发生率[3-5]，严重危害着病人的围术期预后及生命安全[6-8]。CR-POPF预测模型可以帮助医护人员对胰瘘高危病人进行早期识别，从而进行早期干预等临床决策[9]。同时，随着电子病历的大量积累以及大数据时代的到来，机器学习(machine learning,ML)变得越来越流行[10-13]，机器学习是一门聚焦于计算机如何从数据中学习的科学学科，汇聚统计学和计算机科学为一身[12]。与传统Logistic回归构建的预测模型相比，机器学习算法具有更强大的从数据中提取信息的能力[14]，即更能从复杂的预测因子与结局的对应中找出规律，找到更多潜在的预测因子信息等[15]。基于机器学习算法的风险预测模型对待数据更加包容，对特征的处理及筛选更加灵活，预测结局事件的发生更加精确[16]，可以对病人的照护产生积极的影响[17]，已在众多预后并发症的风险预测研究中展示出优异的表现[18-20]。现介绍常见的机器学习算法及基于机器学习算法的胰瘘预测模型，以期为临床实践和后续研究提供参考。

    1 基本概念

    1.1 CR-POPF CR-POPF是胰腺导管上皮与其他上皮表面的异常通道，内有源自胰腺富含酶类的液体。诊断标准为术后≥3 d任意量的流液中淀粉酶浓度高于正常血清淀粉酶浓度上限3倍以上，同时必须有相应临床表现[3]。

    1.2 机器学习 机器学习是一门研究计算机如何从数据中学习并挖掘信息的科学学科。主要是用某些算法指导计算机利用已知数据得出适当的模型，并利用此模型对新的情境给出判断的过程。机器学习根据所处理数据种类的不同，可以分为有监督学习、无监督学习、半监督学习和强化学习等类型。监督学习和无监督学习应用较多，其中监督机器学习算法已经被广泛用于分类或预测疾病症状的发生发展[21]。常见的无监督学习算法包括逻辑回归(Logistic Regression,LR)、支持向量机(support vector machine,SVM)、K-近邻法、决策树(decision tree,DT)、随机森林(random forest,RF)、极限梯度提升、人工神经网络(artificial neural network,ANN；或neural network,NN)等[22] ......