修回日期: 2026-07-08
接受日期: 2026-07-24
在线出版日期: 2026-09-28
重症急性胰腺炎(severe acute pancreatitis, SAP)是临床急危重症, 发病急、进展快、并发症多, 且病死率高, 早期预测其发生、发展及预后, 是改善患者临床结局的关键. SAP预测模型的发展历经数十年迭代, 从传统评分系统演进至多模态人工智能模型, 克服传统模型滞后性、精准度不足等缺陷. 本文以模型发展为主线, 系统梳理传统评分系统的起源、临床现状与局限性, 总结实验室标志物联合模型、影像组学模型等过渡性预测工具的发展突破, 阐述人工智能模型在SAP预测中的应用进展与优势, 分析各类预测模型存在的瓶颈, 并展望未来发展方向, 为SAP精准预测与临床诊疗决策提供理论参考与实践思路.
核心提要: 本文系统回顾重度急性胰腺炎预测模型从传统评分系统到人工智能的演进. 人工智能整合多模态数据提升了预测效能, 多模态融合与可解释人工智能是未来方向, 为临床决策与研究提供参考.
引文著录: 吕炎金, 唐小东, 唐曦平. 从评分系统到人工智能的重症急性胰腺炎预测模型研究进展. 世界华人消化杂志 2026; 34(9): 734-740
Revised: July 8, 2026
Accepted: July 24, 2026
Published online: September 28, 2026
Severe acute pancreatitis (SAP) is a critical and life-threatening clinical emergency characterized by rapid onset, swift progression, numerous complications, and high mortality. Early prediction of its occurrence, development, and prognosis is the key to improving patient outcomes. The evolution of SAP prediction models has undergone decades of iteration, progressing from traditional scoring systems to multimodal artificial intelligence models, thereby overcoming the limitations of conventional models such as time lag and insufficient accuracy. Taking model development as the main thread, this paper systematically reviews the origins, current clinical status, and limitations of traditional scoring systems, summarizes the developmental breakthroughs of transitional predictive tools including laboratory marker-based combined models and radiomics models, elaborates on the application progress and advantages of artificial intelligence models in SAP prediction, analyzes the bottlenecks of various predictive models, and discusses future development directions, so as to provide theoretical reference and practical guidance for precise SAP prediction and clinical decision-making.
- Citation: Lv YJ, Tang XD, Tang XP. Prediction models for severe acute pancreatitis: Evolution from scoring systems to artificial intelligence. Shijie Huaren Xiaohua Zazhi 2026; 34(9): 734-740
- URL: https://www.wjgnet.com/1009-3079/full/v34/i9/734.htm
- DOI: https://dx.doi.org/10.11569/wcjd.v34.i9.734
核心提要: 本文系统回顾重度急性胰腺炎预测模型从传统评分系统到人工智能的演进. 人工智能整合多模态数据提升了预测效能, 多模态融合与可解释人工智能是未来方向, 为临床决策与研究提供参考.
急性胰腺炎(acute pancreatitis, AP)根据其严重程度分为轻度AP、中度重症AP、重度AP(severe acute pancreatitis, SAP)[1]. AP首次发作的整体病例病死率通常低于10%, 但全球人群年死亡率仍稳定在1.16/10万人, 其核心正是SAP居高不下的致死风险, AP相关的死亡事件几乎全部集中于该亚型患者[2]. SAP病程中由胰腺腺泡细胞异常激活引发的全身性炎症反应综合征, 可快速进展为胰腺坏死、多器官功能衰竭、感染性坏死等严重并发症, 社会负担沉重, 因此早期识别SAP尤为重要[3-5]. 临床实践中, AP的早期预测如重症化预测、并发症预测、预后预测等影响治疗方案的制定, 如是否转入重症监护病房(intensive care unit, ICU)强化治疗、是否预防性使用抗生素、是否手术干预等.
SAP预测模型的发展始于Ranson评分的诞生, 从基于临床症状与基础生化指标的传统评分系统, 发展为结合实验室标志物、影像学特征的复合预测模型, 再到依托大数据与算法的人工智能预测模型, 预测效能、实用性逐步提升. 随着人工智能技术与医学大数据的深度融合, 多模态、高精度的预测模型成为SAP研究的热点[6], 大幅提高了预测的精准度与时效性. 本文系统梳理SAP预测模型从评分系统到人工智能的发展历程, 聚焦各阶段模型的核心特点与应用价值, 为该领域的深入研究与临床转化提供参考.
传统评分系统主要基于临床症状、体征及常规生化指标构建, 实现SAP的初步风险分层与预后粗略预测, 操作简便、成本低廉.
SAP传统评分系统中有代表性的包括Ranson评分、急性生理学与慢性健康状况评分Ⅱ(Acute Physiology and Chronic Health Evaluation Ⅱ, APACHE Ⅱ)、床旁AP严重度评分(bedside index of severity in acute pancreatitis, BISAP)、改良计算机断层扫描严重度指数(modified computed tomography severity index, MCTSI).
Ranson评分于1974年首次提出, 是用于AP病情评估与SAP预测的评分系统, 基于入院时及入院48 h内的11项临床与生化指标, 总分≥3分提示SAP[7,8], 其操作简便、无需复杂检查, 适合急诊快速初步分层, 但存在评估滞后、预测具体并发症阳性率差等缺陷[9], 目前临床已减少单独使用, 多作为辅助预测工具.
APACHE Ⅱ评分于1985年推出, 最初用于各类重症患者的病情评估, 后应用于SAP的预测, 涵盖急性生理学指标、慢性健康状况及年龄3个维度, 总分≥8分可预测SAP发生及预后不良[8], 其评估全面、适用范围广, 但存在指标繁多、计算复杂、大量参考指标不能及时获取等问题, 在基层医院应用受限.
BISAP评分则于2008年提出, 是针对AP设计的床旁快速评分系统, 包含5项简易指标, 入院24 h内即可完成SAP预测, 总分≥3分可提示SAP, 特异度优于Ranson评分[8,10], 适合急诊快速筛查, 但预警轻症转重症及评估并发症严重程度的能力不足[11].
MCTSI评分于2004年基于胰腺CT影像学表现提出, 聚焦胰腺坏死程度、炎症范围及并发症, 总分≥8分可预测SAP[8], 可直观反映胰腺损伤程度, 对SAP的预测特异性较高, 弥补了临床评分无法量化胰腺局部损伤的缺陷[12], 但存在检查耗时、有辐射等缺陷.
各评分系统在临床实践中的实际使用率和指南推荐等级亦存在差异. 在临床使用率方面, 一项对我国126家医院的调查显示[13], 70.6%的医院使用预测模型, 依次为APACHE Ⅱ评分、MCTSI评分和Ranson评分; 三甲医院常规进行重症预测的比例显著高于非三甲医院. 在指南推荐方面, 2025年国际胰腺病学会指南对上述评分系统差异化定位[8]: Ranson评分不推荐临床常规使用; APACHE Ⅱ评分推荐在高危/重症患者中选择性使用; BISAP评分则推荐为床旁首选简易筛查工具; MCTSI用于影像学评估体系. 2022年韩国指南亦明确推荐使用BISAP和APACHE Ⅱ进行严重程度评估, 推荐等级为强推荐[14]. 2021版中国指南则认为上述评分系统均存在不足, 更强调应严密监护患者器官功能以警惕SAP发生[15].
研究者结合实验室标志物、影像学特征等指标, 构建了一系列复合预测模型, 作为从传统评分系统到人工智能模型的过渡阶段, 提升了SAP预测的精准度与时效性.
实验室标志物可反映SAP的病理生理变化, 如炎症反应、胰腺损伤、氧化应激等, 将其与传统评分系统结合, 弥补传统评分主观性强、指标有限等缺陷, 提升预测效能.
研究证实, 白细胞介素(interleukin, IL)-6等炎性因子与SAP的严重程度及预后密切相关[17], 联合APACHE Ⅱ评分构建的预测模型, SAP预测曲线下面积(area under the curve, AUC)可达0.90以上[18]; 有研究探讨MCTSI评分、血小板平均体积、红细胞分布宽度对AP患者预后不良的预测价值, 结果显示, 联合检测的预测AUC达0.902, 较单项指标预测价值更高[19], 可助力早期干预改善患者预后; BISAP评分联合白蛋白、RDW、AST对SAP预测AUC达0.828, 较单项指标预测效能显著提升[20]. 降钙素原、IL-6、C反应蛋白、Ranson联合预测SAP病死率AUC达0.925、器官衰竭AUC达0.902、胰腺坏死AUC达0.885, 预测效能高于单项指标[21].
但上述实验室标志物联合模型研究之间存在较大的异质性. 在样本量方面, 相关Meta分析纳入的各原始研究样本量从数十例到数百例不等, 如IL-6与C型反应性蛋白的Meta分析共纳入17项研究[22]、1517例患者, 但各研究间样本量差异显著. 在结局定义方面, 不同研究对SAP的判定标准不统一, 有的以持续性器官衰竭(>48 h)为标准, 有的以修订版亚特兰大分级为依据, 还有的采用APACHEⅡ评分≥8分作为替代标准, 这种结局定义的差异导致研究间异质性升高[22-24]. 在验证方式方面, 多数原始研究仅采用内部交叉验证或随机拆分验证, 缺乏独立的外部验证队列, 部分为单中心研究, 限制了结论的普适性. 上述Meta分析均报告了I2值用于量化研究间异质性如Chen等[24]报告I2>50%, Mahat等[23]报告I2 = 79.1%, 提示研究间存在中度至高度异质性, 这主要来源于样本量、结局定义和验证方式的差异[22-24].
影像组学通过提取计算机断层扫描(computed tomography, CT)、磁共振成像(magnetic resonance imaging, MRI)等影像学图像的高通量特征, 结合机器学习算法构建预测模型, 可反映胰腺的微观损伤[25], 弥补传统影像学评估主观性强、漏诊率高的缺陷.
目前, 影像组学模型主要用于SAP的早期预测、胰腺坏死程度评估及并发症预测. Lin等[26]评估了影像组学早期预测AP患者发展为中重症AP的价值, 所建立的模型训练集AUC达0.917, 验证集为0.848, 预测效能显著优于APACHE Ⅱ、BISAP、MRSI传统评分系统. 还有基于CT影像组学与临床参数建立的AP严重程度早期预测模型: 以8个影像组学特征构建组学模型, 联合血钙、C反应蛋白、白细胞计数3个独立临床危险因素, 构建的联合模型训练集与验证集AUC分别达0.905、0.908[27]. 此外, 影像组学模型还可预测感染性坏死、器官功能衰竭等并发症, 为临床干预提供提前预警[28,29].
影像组学模型客观性强、可量化评估胰腺微观损伤, 提升了SAP预测的精准度, 但存在一定局限: 一是依赖高质量影像学图像, 基层医院影像设备有限, 难以普及; 二是图像预处理、特征提取缺乏统一标准, 不同研究的模型可重复性差[30].
随着大数据、机器学习、深度学习等人工智能技术的快速发展, 结合临床数据、实验室数据、影像学数据的多模态人工智能模型, 实现了SAP的多维度、高精度、个体化预测.
机器学习是人工智能的核心技术之一, 通过算法对海量多维度数据进行训练与分析, 自动筛选关键预测指标、优化模型权重, 构建高精度预测模型[31], 广泛应用于AP的重症化预测、并发症预测及预后预测, 其中极端梯度提升(extreme gradient boosting, XGBoost)、随机森林(random forest, RF)因处理多维度数据能力强、抗过拟合效果好, 成为SAP预测的应用比较广泛的算法[32].
在AP重症化预测方面, 基于临床指标、实验室标志物构建的XGBoost、RF模型, 预测AUC可达0.90以上[33,34], 高于传统APACHE Ⅱ、BISAP评分, 可实现发病早期的精准预测; 针对病因特异性SAP, 机器学习模型可结合病因相关指标, 提升了预测的特异性, 如高脂血症性AP的RF模型, 结合甘油三酯、载脂蛋白等指标, 在独立验证集中对器官衰竭的预测AUC可达0.82[35].
在SAP并发症与预后预测方面, 机器学习模型可整合临床常规监测数据, 预测ICU中SAP患者的早期死亡、脓毒症、急性呼吸窘迫综合征(aucte respiratory distress syndrome, ARDS)等关键结局. 多项研究证实, RF算法显示出了较好的预测效能, 优于序贯器官衰竭估计评分(Sequential Organ Failure Assessment, SOFA)、快速SOFA评分、全身炎症反应综合症(Systemic Inflammatory Response Syndrome, SIRS)等传统单一评估工具[36,37]: 预测SAP患者早期死亡的RF模型, 训练集AUC达0.91、验证集AUC为0.84; 预测AP患者并发ARDS的RF模型经多中心验证, 内部验证集AUC为0.780、外部测试集AUC达0.84, 泛化能力良好. 这类机器学习模型还可通过夏普利加性解释(shapely additive explanations, SHAP)等算法实现可解释性分析, 明确危险因素, 进行个体化预后分层, 为不同风险等级的患者制定差异化治疗与护理方案, 如对高风险患者强化血压、呼吸频率等生命体征监测, 或提前转入ICU强化治疗、及时采取机械通气等干预措施.
机器学习模型可处理海量多维度数据, 预测精准度高、可重复性强, 且可自动筛选关键预测指标, 减少人为干预. 但仍存在局限性[38]: 多数研究为回顾性单中心设计, 数据来源与预处理描述模糊, 缺失值、异常值处理流程不明确, 基础数据质量欠佳. 模型验证方法单一, 缺乏独立外部验证, 易出现过拟合, 可靠性难以保障. 临床实用性不足, 无模型广泛落地应用, 且多未开放共享, 推广受限. 复杂模型还存在黑箱效应, 可解释性差, 难以获得临床信任.
深度学习是通过模拟人脑神经网络结构, 实现对复杂数据的挖掘, 尤其适合处理图像、文本等非结构化数据[39], 在SAP影像学预测与多模态融合预测中展现出独特优势. 常用模型包括卷积神经网络(convolutional neural network, CNN)、循环神经网络等.
CNN模型可自动提取CT、MRI图像的深层特征, 显著提升预测效率与精准度. 3D卷积神经网络构建的早期急性坏死性胰腺炎鉴别诊断模型, 可基于CT平扫图像自动学习胰腺及胰周的影像学特征以鉴别间质水肿性胰腺炎与急性坏死性胰腺炎, 其中MobileNet 3D模型在独立测试集的AUC达0.91[40]; 此外, 基于3D DenseNet的CNN模型可借助增强CT扫描实现SAP相关并发症的早期识别, 如胰腺坏死、胰周积液等[41], 相较传统影像学评估手段有效提前预警窗口期, 为临床及时开展干预治疗争取关键时间.
在多模态融合预测方面, 深度学习模型可整合临床数据、实验室数据、影像学数据、文本数据, 构建多模态预测模型, 实现SAP的全面性、精准性预测[42]. 例如, 结合CNN(处理影像数据)与XGBoost(处理临床与实验室数据)构建的多模态模型, 预测SAP患者多器官功能衰竭的AUC达0.91, 优于单一模态模型[43]; 基于深度学习神经网络模型构建三类单模态模型, 融合三模态特征, 经构建多模态模型PrismSAP, 其外部测试集AUC达0.916, 优于单模态模型与传统评分系统[42].
深度学习模型处理非结构化数据、挖掘数据深层关联, 预测效能优于传统机器学习模型, 但存在局限性[39]: 一是模型训练需大量高质量标注数据, 标注成本高、耗时久; 二是模型复杂度高, 需高性能计算设备, 基层医院难以普及; 三是可解释性更差, 黑箱问题同样突出, 临床医生难以理解模型的决策逻辑, 影响临床推广.
随着多中心大样本研究的推进, 部分人工智能预测模型已逐步向临床转化, 开发出适合临床一线使用的预测工具, 实现实验室研究向临床应用的跨越, 推动SAP预测模型的发展进入临床落地阶段[42,44,45]. 例如, 基于机器学习算法的SAP床旁快速评估系统, 可通过输入患者临床指标与实验室数据, 快速输出SAP预测结果与预后风险评分, 操作简便、耗时短, 适合急诊使用.
可解释人工智能(explainable artificial intelligence, XAI)技术的发展, 逐步解决黑箱问题, 通过可视化技术明确各指标对预测结果的影响, 提升临床医生对模型的接受度[46,47]. 例如, 基于SHAP值的可解释机器学习模型, 可直观展示C型反应性蛋白、SIRS、中性粒细胞/淋巴细胞比值等指标对SAP预后的影响权重[48], 为临床诊疗决策提供依据, 进一步推动人工智能预测模型的临床转化.
从传统评分系统到人工智能模型, SAP预测模型的预测效能、实用性逐步提升, 但仍面临诸多瓶颈与挑战.
其一, 样本异质性问题突出, 现有研究多为单中心小样本, 患者病因、年龄、基础疾病、治疗方案等存在较大差异, 导致模型的泛化能力不足, 不同中心的模型结果难以重复, 无法满足不同地区、不同层级医院的需求; 其二, 数据标准化不足, 临床数据、影像学数据、实验室数据的采集与标注缺乏统一标准, 尤其是多模态数据的整合缺乏规范流程, 影响模型的稳定性与推广应用; 其三, 外部验证不足, 多数模型缺乏多中心、前瞻性队列的外部验证, 模型的适用性尚未得到充分证实, 难获临床认可; 其四, 临床转化滞后, 多数人工智能模型尚在实验室研究阶段, 缺乏适合临床一线使用的便捷化工具; 其五, 可解释性与伦理问题, 黑箱问题难以解决, 且数据隐私保护、模型决策的责任界定等伦理问题, 限制了其临床推广.
未来, SAP预测模型的发展将聚焦于精准化、便捷化、临床化, 重点突破现有瓶颈, 主要包括以下几个方面. 一是推进多中心大样本研究, 建立标准化数据库, 整合多中心临床、实验室、影像学数据, 减少样本异质性, 提升模型的泛化能力与稳定性; 加强模型的外部验证, 通过前瞻性队列研究证实模型的临床适用性. 二是发展可解释人工智能模型, 结合XAI技术, 解决模型黑箱问题, 提升临床医生对模型的接受度; 优化模型结构, 开发轻量化模型, 适配基层医院的设备条件, 推动模型普及应用. 三是构建动态预测模型, 结合患者治疗的动态数据, 构建动态评估与预测模型, 实时更新患者的SAP发生风险与预后情况, 指导临床治疗方案的动态调整. 四是推动多组学与人工智能的深度融合, 整合代谢组学、蛋白质组学、基因组学等多组学数据, 结合人工智能算法, 挖掘SAP分子机制, 构建更精准的预测模型, 为靶向治疗提供新靶点. 五是优化临床转化路径, 联合临床医生、工程师等, 开发便捷化、可视化的临床预测工具如手机APP、床旁终端等, 简化操作流程, 降低使用门槛, 推动模型从实验室走向临床一线.
传统评分系统奠定了SAP预测的基础, 虽存在诸多局限, 但至今仍在临床一线发挥重要作用; 过渡性预测模型弥补传统评分的不足, 为人工智能模型的发展搭建了桥梁; 人工智能模型实现了SAP的高精度、个体化预测, 成为该领域的前沿方向, 尤其多模态融合模型与可解释人工智能模型, 进一步提升预测的全面性与临床适用性. 随着多中心研究的推进、人工智能技术的优化及多组学的融合, SAP预测模型逐步向精准化、便捷化、临床化发展, 为SAP的早期预测、风险分层、个体化治疗及预后管理提供更可靠的支撑.
| 1. | Banks PA, Bollen TL, Dervenis C, Gooszen HG, Johnson CD, Sarr MG, Tsiotos GG, Vege SS; Acute Pancreatitis Classification Working Group. Classification of acute pancreatitis--2012: revision of the Atlanta classification and definitions by international consensus. Gut. 2013;62:102-111. [PubMed] [DOI] |
| 2. | Petrov MS, Yadav D. Global epidemiology and holistic prevention of pancreatitis. Nat Rev Gastroenterol Hepatol. 2019;16:175-184. [PubMed] [DOI] |
| 3. | Garg PK, Singh VP. Organ Failure Due to Systemic Injury in Acute Pancreatitis. Gastroenterology. 2019;156:2008-2023. [PubMed] [DOI] |
| 4. | Leppäniemi A, Tolonen M, Tarasconi A, Segovia-Lohse H, Gamberini E, Kirkpatrick AW, Ball CG, Parry N, Sartelli M, Wolbrink D, van Goor H, Baiocchi G, Ansaloni L, Biffl W, Coccolini F, Di Saverio S, Kluger Y, Moore E, Catena F. 2019 WSES guidelines for the management of severe acute pancreatitis. World J Emerg Surg. 2019;14:27. [PubMed] [DOI] |
| 5. | Trikudanathan G, Wolbrink DRJ, van Santvoort HC, Mallery S, Freeman M, Besselink MG. Current Concepts in Severe Acute and Necrotizing Pancreatitis: An Evidence-Based Approach. Gastroenterology. 2019;156:1994-2007.e3. [PubMed] [DOI] |
| 7. | Ong Y, Shelat VG. Ranson score to stratify severity in Acute Pancreatitis remains valid - Old is gold. Expert Rev Gastroenterol Hepatol. 2021;15:865-877. [PubMed] [DOI] |
| 8. | IAP/APA/EPC/IPC/JPS Working Group. IAP/APA/EPC/IPC/JPS Working Group. International Association of Pancreatology Revised Guidelines on Acute Pancreatitis 2025: Supported and Endorsed by the American Pancreatic Association, European Pancreatic Club, Indian Pancreas Club, and Japan Pancreas Society. Pancreatology. 2025;25:770-814. [PubMed] [DOI] |
| 9. | Capurso G, Ponz de Leon Pisani R, Lauri G, Archibugi L, Hegyi P, Papachristou GI, Pandanaboyana S, Maisonneuve P, Arcidiacono PG, de-Madaria E. Clinical usefulness of scoring systems to predict severe acute pancreatitis: A systematic review and meta-analysis with pre and post-test probability assessment. United European Gastroenterol J. 2023;11:825-836. [PubMed] [DOI] |
| 10. | Zhu J, Wu L, Wang Y, Fang M, Liu Q, Zhang X. Predictive value of the Ranson and BISAP scoring systems for the severity and prognosis of acute pancreatitis: A systematic review and meta-analysis. PLoS One. 2024;19:e0302046. [PubMed] [DOI] |
| 11. | Arif A, Jaleel F, Rashid K. Accuracy of BISAP score in prediction of severe acute pancreatitis. Pak J Med Sci. 2019;35:1008-1012. [PubMed] [DOI] |
| 12. | Mathai MJ, Reddy M VS, Shetty V. Analysis of the Accuracy of the Modified CT Severity Index in Predicting Clinical Outcomes in Acute Pancreatitis: A Cross-Sectional Study. Cureus. 2024;16:e56123. [PubMed] [DOI] |
| 14. | Lee SH, Choe JW, Cheon YK, Choi M, Jung MK, Jang DK, Jo JH, Lee JM, Kim EJ, Han SY, Choi YH, Seo HI, Lee DH, Lee HS. Revised Clinical Practice Guidelines of the Korean Pancreatobiliary Association for Acute Pancreatitis. Gut Liver. 2023;17:34-48. [PubMed] [DOI] |
| 16. | Boxhoorn L, Voermans RP, Bouwense SA, Bruno MJ, Verdonk RC, Boermeester MA, van Santvoort HC, Besselink MG. Acute pancreatitis. Lancet. 2020;396:726-734. [PubMed] [DOI] |
| 17. | Mititelu A, Grama A, Colceriu MC, Pop TL. Overview of the cellular and immune mechanisms involved in acute pancreatitis: In search of new prognosis biomarkers. Expert Rev Mol Med. 2025;27:e9. [PubMed] [DOI] |
| 19. | 李 娜, 梁 智斌, 乔 炜, 王 平翻, 郭 欢, 曾 玉婷, 王 卓娜, 邵 佳媛, 王 多姿. MCTSI评分及MPV、RDW对急性胰腺炎患者预后不良的预测价值. 检验医学与临床. 2024;20:2629-2632. [DOI] |
| 22. | Kumar S, Saha A, Kumar R, Nag SB, Kumar S, Kumar P, Niraj MK. Comprehensive statistical analysis of serum interleukin-6 and C-reactive protein for early diagnosis of severe acute pancreatitis: A systematic review and meta-analysis. J Family Med Prim Care. 2025;14:2688-2701. [PubMed] [DOI] |
| 23. | Mahat RK, Rathore V, Saxena R. Association of Triglyceride-Glucose (TyG) Index With Severe Acute Pancreatitis: A Systematic Review and Meta-Analysis. Cureus. 2025;17:e83795. [PubMed] [DOI] |
| 24. | Chen L, Jiang J. The Diagnostic Value of Procalcitonin in Patients with Severe Acute Pancreatitis: A Meta-Analysis. Turk J Gastroenterol. 2022;33:722-730. [PubMed] [DOI] |
| 25. | Zhong J, Hu Y, Xing Y, Ge X, Ding D, Zhang H, Yao W. A systematic review of radiomics in pancreatitis: applying the evidence level rating tool for promoting clinical transferability. Insights Imaging. 2022;13:139. [PubMed] [DOI] |
| 26. | Lin Q, Ji YF, Chen Y, Sun H, Yang DD, Chen AL, Chen TW, Zhang XM. Radiomics model of contrast-enhanced MRI for early prediction of acute pancreatitis severity. J Magn Reson Imaging. 2020;51:397-406. [PubMed] [DOI] |
| 27. | Qi M, Lu C, Dai R, Zhang J, Hu H, Shan X. Prediction of acute pancreatitis severity based on early CT radiomics. BMC Med Imaging. 2024;24:321. [PubMed] [DOI] |
| 28. | Yao Q, Duan Y, Jin C, Li X, Wei S, Shi Y, Zhang Y, Zhang J, Liu C. A Nomogram for Early Prediction of Infected Pancreatic Necrosis Based on Contrast-Enhanced CT Radiomics and Inflammatory Indicators. J Inflamm Res. 2025;18:13651-13663. [PubMed] [DOI] |
| 29. | Liu N, Wan Y, Tong Y, He J, Xu S, Hu X, Luo C, Xu L, Guo F, Shen B, Yu H. A Clinic-Radiomics Model for Predicting the Incidence of Persistent Organ Failure in Patients with Acute Necrotizing Pancreatitis. Gastroenterol Res Pract. 2023;2023:2831024. [PubMed] [DOI] |
| 30. | Podină N, Gheorghe EC, Constantin A, Cazacu I, Croitoru V, Gheorghe C, Balaban DV, Jinga M, Țieranu CG, Săftoiu A. Artificial Intelligence in Pancreatic Imaging: A Systematic Review. United European Gastroenterol J. 2025;13:55-77. [PubMed] [DOI] |
| 31. | Haug CJ, Drazen JM. Artificial Intelligence and Machine Learning in Clinical Medicine, 2023. N Engl J Med. 2023;388:1201-1208. [PubMed] [DOI] |
| 32. | Qian R, Zhuang J, Xie J, Cheng H, Ou H, Lu X, Ouyang Z. Predictive value of machine learning for the severity of acute pancreatitis: A systematic review and meta-analysis. Heliyon. 2024;10:e29603. [PubMed] [DOI] |
| 33. | 高 欣, 林 嘉希, 吴 爱荣, 顾 慧媛, 刘 晓琳, 殷 民月, 周 芝润, 张 儒发, 许 春芳, 朱 锦舟. 基于 XGBoost 算法的机器学习模型在早期预测重症急性胰腺炎中的应用. 中华危重病急救医学. 2023;35:421-426. |
| 34. | Luo Z, Shi J, Fang Y, Pei S, Lu Y, Zhang R, Ye X, Wang W, Li M, Li X, Zhang M, Xiang G, Pan Z, Zheng X. Development and evaluation of machine learning models and nomogram for the prediction of severe acute pancreatitis. J Gastroenterol Hepatol. 2023;38:468-475. [PubMed] [DOI] |
| 35. | Lin W, Huang Y, Zhu J, Sun H, Su N, Pan J, Xu J, Chen L. Machine learning improves early prediction of organ failure in hyperlipidemia acute pancreatitis using clinical and abdominal CT features. Pancreatology. 2024;24:350-356. [PubMed] [DOI] |
| 36. | 郭 九麟, 吴 友伟, 彭 伟. 基于可解释的机器学习模型预测重症急性胰腺炎患者早期死亡风险: 一项回顾性队列研究. 中国普外基础与临床杂志. 2025;32:1569-1576. [DOI] |
| 37. | 任 夏, 刘 罗杰, 查 俊杰, 叶 叶, 徐 晓丹, 叶 宏伟, 张 岩. 基于机器学习算法构建重症监护病房急性胰腺炎并发急性呼吸窘迫综合征的风险预测模型. 中国临床研究. 2025;38:1173-1181. [DOI] |
| 38. | Zhou Y, Ge YT, Shi XL, Wu KY, Chen WW, Ding YB, Xiao WM, Wang D, Lu GT, Hu LH. Machine learning predictive models for acute pancreatitis: A systematic review. Int J Med Inform. 2022;157:104641. [PubMed] [DOI] |
| 39. | Choi RY, Coyner AS, Kalpathy-Cramer J, Chiang MF, Campbell JP. Introduction to Machine Learning, Neural Networks, and Deep Learning. Transl Vis Sci Technol. 2020;9:14. [PubMed] [DOI] |
| 40. | 安 富珍, 肖 波, 何 汶静, 蒋 宪, 周 婷婷, 祝 元仲. 基于CT平扫3D卷积神经网络模型鉴别诊断早期急性坏死性胰腺炎. 中国医学计算机成像杂志. 2025;31:72-80. [DOI] |
| 41. | Liang H, Wang M, Wen Y, Du F, Jiang L, Geng X, Tang L, Yan H. Predicting acute pancreatitis severity with enhanced computed tomography scans using convolutional neural networks. Sci Rep. 2023;13:17514. [PubMed] [DOI] |
| 42. | Yin M, Lin J, Wang Y, Liu Y, Zhang R, Duan W, Zhou Z, Zhu S, Gao J, Liu L, Liu X, Gu C, Huang Z, Xu X, Xu C, Zhu J. Development and validation of a multimodal model in predicting severe acute pancreatitis based on radiomics and deep learning. Int J Med Inform. 2024;184:105341. [PubMed] [DOI] |
| 43. | 丁 祥林, 陈 鑫, 陈 美玉, 沈 祎萍, 王 玉, 殷 民月, 赵 凯, 朱 锦舟. 基于影像组学与3D深度学习的多模态模型在重症急性胰腺炎预测中的应用. 临床肝胆病杂志. 2025;41:2110-2117. [DOI] |
| 44. | Kui B, Pintér J, Molontay R, Nagy M, Farkas N, Gede N, Vincze Á, Bajor J, Gódi S, Czimmer J, Szabó I, Illés A, Sarlós P, Hágendorn R, Pár G, Papp M, Vitális Z, Kovács G, Fehér E, Földi I, Izbéki F, Gajdán L, Fejes R, Németh BC, Török I, Farkas H, Mickevicius A, Sallinen V, Galeev S, Ramírez-Maldonado E, Párniczky A, Erőss B, Hegyi PJ, Márta K, Váncsa S, Sutton R, Szatmary P, Latawiec D, Halloran C, de-Madaria E, Pando E, Alberti P, Gómez-Jurado MJ, Tantau A, Szentesi A, Hegyi P; Hungarian Pancreatic Study Group. EASY-APP: An artificial intelligence model and application for early and easy prediction of severity in acute pancreatitis. Clin Transl Med. 2022;12:e842. [PubMed] [DOI] |
| 45. | Yin M, Zhang R, Zhou Z, Liu L, Gao J, Xu W, Yu C, Lin J, Liu X, Xu C, Zhu J. Automated Machine Learning for the Early Prediction of the Severity of Acute Pancreatitis in Hospitals. Front Cell Infect Microbiol. 2022;12:886935. [PubMed] [DOI] |
| 46. | Ustaalioğlu İ, Ak R. Integrating Feature Selection, Machine Learning, and SHAP Explainability to Predict Severe Acute Pancreatitis. Diagnostics (Basel). 2025;15:2473. [PubMed] [DOI] |
| 47. | Wu C, Jing S, Guo D, Cheng C, Fei S. Explainable machine learning model to predict refeeding syndrome in patients with severe acute pancreatitis. Front Nutr. 2025;12:1741052. [PubMed] [DOI] |
| 48. | Cisnal A, Ruiz Rebollo ML, Flórez-Pardo C, Matesanz-Isabel J, Pérez Turiel J, Fraile JC. Improved early prediction of acute pancreatitis severity using SHAP-based XGBoost model: Beyond traditional scoring systems. Dig Liver Dis. 2026;58:104-112. [PubMed] [DOI] |
学科分类: 胃肠病学和肝病学
手稿来源地: 广西壮族自治区
同行评议报告学术质量分类
A级 (优秀): 0
B级 (非常好): B
C级 (良好): C, C
D级 (一般): 0
E级 (差): 0
科学编辑: 刘继红 制作编辑:张砚梁