开发一种基于机器学习的风险预测模型,用于外科手术期间的神经认知障碍
Hengjun Wan1, Qing Zhong2, Ana Kowark3
1Department of Anesthesiology, The Affiliated Hospital, Southwest Medical University, Luzhou 646000, Sichuan Province, China; Anesthesiology and Critical Care Medicine Key Laboratory of Luzhou, Southwest Medical University, Luzhou 646000, Sichuan Province, China.
Journal of clinical anesthesia
|September 25, 2025
概括
这项研究确定了非心脏手术患者的术后神经认知障碍 (PND) 的关键风险因素. 机器学习模型预测PND,高脂血症和吸烟是显著的可修改因素.
科学领域:
- 医学研究 医学研究
- 医疗保健中的人工智能
- 外科手术的结果
背景情况:
- 经手术的神经认知障碍 (PND) 是一种常见的并发症,影响患者的死亡率和医疗费用.
- 目前PND的预测模型缺乏标准化和个性化,特别是在接受选择性非心脏手术的老年人中.
研究的目的:
- 在接受非心脏选择性手术的患者中确定PND的关键风险因素.
- 开发和验证用于预测PND的机器学习模型.
- 为PND创建一个实用的临床风险评估工具.
主要方法:
- 使用LASSO回归来确定13个关键预测变量.
- 构建并评估了十种不同的机器学习模型.
- 使用ROC/AUC和决策曲线分析验证模型性能.
- 采用SHAP分析用于模型解释性和Kaplan-Meier分析用于发病时间.
主要成果:
- 预后新发病的发生率为12.5% (255/2042名患者).
- 神经网络模型实现了最高的预测性能,AUC为0.877.
- 确定的主要危险因素包括高脂血症,吸烟,ASA III分类和较低的教育水平.
- 吸烟,ASA III分类和高血压与较早的PND发病有关.
结论:
- 机器学习有效地识别了非心脏手术中的核心PND风险因素.
- 开发了可解释的诺姆图和在线工具,以帮助临床决策.
- 诸如高脂血症,吸烟和ASA分类等可修改因素至关重要.
- 建议进一步进行多中心验证和个性化风险分层策略.
