目的基于常规临床实验室检验数据，通过机器学习算法构建结直肠癌肝转移（CRLM）预测模型，并验证其预测价值。方法采用病例对照研究设计，纳入2019年1月至2023年8月山东大学齐鲁医院收治的5 026例结直肠癌患者，收集其临床信息及70项入院时实验室检测指标。经倾向评分匹配后，共纳入1 265例患者（非转移性结直肠癌患者1 012例，CRLM患者253例），按7∶3比例随机划分为训练集和验证集。通过组间差异比较、LASSO回归和多因素logistic逐步筛选预测变量。在训练集中，采用随机森林（RF）机器学习算法构建模型，采用受试者工作特征曲线下面积（AUC）、临床决策曲线（DCA）、校准曲线和Brier分数评价模型的性能，并在验证集中进行验证，采用Delong检验分析不同模型间的AUC差异；同时应用SHapley加性解释（SHAP）分析变量重要性。结果最终筛选出甲胎蛋白、癌胚抗原、糖类抗原19-9、腺苷脱氨酶、高密度脂蛋白胆固醇、乳酸脱氢酶、胱抑素C、谷氨酸脱氢酶、同型半胱氨酸、凝血酶原时间、淋巴细胞比率共11项指标训练RF预测模型；所构建RF模型的AUC（0.867）高于CEA（0.737）、CA19-9（0.738）及两项指标联合检测的AUC（0.786），Delong检验结果显示差异具有统计学意义（均
P<0.05）。SHAP分析表明，CA19-9、CEA和谷氨酸脱氢酶是预测CRLM最重要的指标。
结论本研究建立的基于常规实验室指标的RF模型可用于预测结直肠癌肝转移，为制定个体化治疗方案提供依据。
(8.0+极速模式)