基于机器学习的分析方法，探讨影响A型主动脉夹层手术时长的相关因素

《Frontiers in Public Health》：Machine learning-based analysis of factors influencing surgical duration in type A aortic dissection

TAAD手术时间预测与关键影响因素分析。本研究构建11种机器学习模型，基于47项术前及术中特征，验证ExtraTrees模型预测最优（R2=0.71），SHAP分析显示体外循环时间、主动脉阻断时长、术中输血、升主动脉及根部手术方式为五大关键预测因子，环境因素无显著影响。

　　### 研究背景与意义

Stanford Type A aortic dissection（TAAD）是一种严重威胁生命的疾病，主要影响升主动脉，通常需要紧急手术干预。由于其复杂的病理机制和高风险性，TAAD的手术不仅技术难度大，而且对患者的生理状态和手术团队的处理能力提出了更高的要求。手术时间是影响患者术后恢复和手术风险的重要因素，而精准预测手术时长对于优化医疗资源配置、提升手术安全性以及改善患者预后具有重要意义。然而，目前在临床实践中，手术时长的预测仍面临诸多挑战，主要依赖于外科医生的经验和历史数据，缺乏系统的分析方法和精确的预测模型。

随着机器学习技术在医学领域的广泛应用，越来越多的研究开始尝试将其应用于手术时间的预测与分析。本研究正是在这一背景下展开，旨在通过构建11种机器学习回归模型，全面分析TAAD手术中影响手术时长的关键临床因素。研究不仅关注手术前和手术中的变量，还引入了环境因素，如气温、湿度、空气质量指数（AQI）等，以探索外部环境是否对手术时长产生影响。通过这一综合分析，研究希望为临床医生提供更精准的预测工具，从而在术前更好地评估手术风险、优化资源配置，并在术中提高操作效率。

### 研究方法与数据来源

本研究是一项回顾性队列研究，数据来源于青岛大学附属医院，涵盖2017年12月至2023年3月期间接受TAAD手术的675名患者。在数据清洗过程中，排除了74名非TAAD患者、93名未接受手术的患者以及3名数据缺失超过50%的患者，最终纳入505名患者进行分析。数据包括患者的基本信息、术前及术中指标、实验室检查结果以及环境变量等。所有数据均通过标准化处理和多重插补法进行预处理，以确保模型训练的准确性和稳定性。

研究采用了多种机器学习回归模型，包括线性回归、弹性网络、决策树回归、随机森林回归、ExtraTrees回归、梯度提升回归、XGBoost、CatBoost、AdaBoost、支持向量回归（SVR）和K近邻（KNN）回归。这些模型的性能通过R2、均方根误差（RMSE）和平均绝对误差（MAE）进行评估，并通过五折交叉验证进一步验证模型的泛化能力。此外，研究还引入了SHAP（SHapley Additive exPlanations）分析方法，以增强模型的可解释性，识别对手术时长影响最大的临床特征。

### 研究结果与分析

#### 患者的基本特征

研究纳入的505名患者中，男性占73.4%，女性占26.6%，平均年龄为54.0岁，标准差为12.6。术前的生理指标显示，患者平均心率80.9次/分钟，平均收缩压134.4 mmHg，平均舒张压69.0 mmHg，平均体温36.5°C。在病史方面，高血压、心血管疾病和糖尿病的患病率分别为61.1%、93.4%和98.0%，表明患者普遍存在慢性基础疾病。实验室检查结果显示，患者的炎症反应普遍升高，白细胞计数平均为12.0×10?/L，C反应蛋白平均为38.6 mg/L，D-二聚体平均为6752.0 μg/L FEU，提示患者术前处于高度的炎症和凝血状态。

术前准备时间平均为0.8天，术前ICU停留时间平均为0.6天，表明大部分患者为急诊手术。此外，研究还考虑了气候因素，包括环境温度、湿度、PM2.5和AQI等，以评估外部环境是否对手术时长产生影响。然而，气候因素并未显示出显著的关联性，这表明手术时长主要受术中操作和患者病理状态的影响。

#### 手术策略与手术时长

在手术策略方面，研究发现不同手术方式对手术时长有显著影响。其中，升主动脉根部修复（Valve-sparing aortic root replacement）和升主动脉替换（Ascending aortic replacement）手术时间相对较短，平均为438.9分钟和436.9分钟。而涉及全弓替换（Total arch replacement）的手术则显著延长了手术时间，平均为459.2分钟。全弓替换中，使用冷冻象鼻（FET）技术的手术时间进一步延长，平均为465.7分钟，而非FET技术的手术时间则相对较少，平均为403.5分钟。此外，部分弓替换（Partial arch replacement）的手术时间比全弓替换短，但仍然需要深低温停循环（deep hypothermic circulatory arrest）以维持手术安全。而仅涉及主动脉分支的术式（Debranching）则不需要深低温停循环，因此手术时间更短。

研究还发现，手术时长与主动脉阻断时间呈显著正相关（r = 0.64, p < 0.01），表明在复杂的手术过程中，主动脉阻断时间的延长是手术时长增加的重要因素之一。这一结果与临床经验一致，因为主动脉阻断期间，心脏和大脑的灌注管理对患者的安全至关重要，而这一过程往往需要更多时间。

#### 机器学习模型的预测性能

在所有构建的模型中，ExtraTrees Regressor表现最佳，其R2值达到0.7101，表明该模型能够解释约71.01%的手术时长变化。其平均绝对误差（MAE）为43.54分钟，均方根误差（RMSE）为59.42分钟，均低于其他模型。相比之下，传统的线性回归模型（R2 = -1.1302）和SVR（R2 = -0.3017）表现较差，这表明线性模型在处理复杂、非线性关系时存在明显局限。KNN模型同样表现不佳，其对高维数据和异常值较为敏感，容易受到数据分布和特征尺度的影响。

此外，ExtraTrees模型在验证集上的表现也优于其他模型，R2值为0.7574，MAE为46.19分钟，RMSE为58.60分钟。这一结果进一步验证了ExtraTrees在处理高维、非线性数据时的优势，其通过随机划分特征和阈值，降低了模型的方差，提高了泛化能力。同时，模型的残差分布接近正态分布，且预测曲线能够很好地跟随实际手术时长的变化趋势，显示出良好的稳定性。

#### 特征重要性分析

通过SHAP分析，研究确定了五个对手术时长影响最大的临床特征：体外循环时间、主动脉阻断时间、术中输血量、主动脉弓处理方式和主动脉根部处理方式。其中，体外循环时间对模型输出的贡献最大，表明其是手术时长的关键决定因素之一。主动脉阻断时间次之，这与手术中需要更长时间进行心脏保护和止血有关。术中输血量的影响则呈现出明显的非线性特征，当输血量较低时，其对手术时长的影响较小，而当输血量较高时，其贡献显著增加，反映出术中出血量与手术复杂度之间的关系。

主动脉弓和根部的处理方式对手术时长的影响同样显著，其中全弓替换和复杂的根部修复（如Bentall和复合根部替换）与较长的手术时间相关。这表明，手术方式的选择直接影响手术的复杂程度和耗时。值得注意的是，尽管Marfan综合征并未被列为影响手术时长的前五因素，但其作为遗传性主动脉疾病的一部分，对手术复杂性的潜在影响仍值得进一步探讨。

### 研究讨论与意义

#### 与传统方法的比较

传统的手术时长预测方法主要依赖于线性回归模型和医生经验。然而，这些方法在处理复杂、非线性数据时存在局限，无法充分捕捉手术过程中多因素之间的相互作用。例如，线性回归模型假设变量之间存在线性关系，而实际手术时长往往受到多个非线性因素的共同影响。此外，医生经验受到个体差异和主观判断的影响，导致预测结果存在较大的偏差。

相比之下，机器学习模型能够处理高维、非线性数据，并通过学习数据中的复杂模式，提高预测的准确性。本研究中，ExtraTrees模型在预测性能上显著优于传统模型，表明其在处理TAAD手术时长预测任务中的优势。此外，其他集成学习模型（如XGBoost和CatBoost）也表现出良好的性能，但其在残差分布和趋势拟合方面略逊于ExtraTrees，说明ExtraTrees在处理临床数据时的鲁棒性更强。

#### 手术策略对时长的影响

研究发现，手术策略是影响手术时长的重要因素。例如，全弓替换和复杂的根部修复通常需要更长的手术时间，这与手术的复杂性和操作难度密切相关。而无需深低温停循环的术式（如Debranching）则显著缩短了手术时长，这表明手术策略的选择对患者术中管理和手术时间有直接关系。此外，术中输血量与手术时长呈非线性关系，当输血量较高时，手术时间明显延长，这反映了术中出血对操作复杂度和时间的影响。

研究还指出，主动脉阻断时间的延长不仅与手术操作本身有关，还与术中止血和心脏保护的需求相关。较长的阻断时间通常意味着更复杂的操作流程，这可能增加术中并发症的风险。因此，优化手术策略、减少不必要的操作步骤和提高止血效率，对于缩短手术时长和降低术后风险具有重要意义。

#### 模型性能分析

在本研究中，ExtraTrees模型表现出卓越的预测性能，这与其采用的随机划分策略密切相关。通过随机选择特征和阈值，该模型能够有效降低方差，提高泛化能力。此外，模型在训练和验证集上的表现高度一致，表明其具有良好的稳定性和适应性。相比之下，传统的线性模型和SVR在处理高维、非线性数据时存在明显不足，容易出现过拟合或欠拟合的问题。KNN模型则由于对异常值和特征尺度敏感，难以在高维数据中保持良好的预测能力。

研究还指出，模型的残差分布接近正态分布，且预测曲线能够很好地跟随实际手术时长的变化趋势，表明模型在处理临床数据时具有较强的适应性和稳定性。这一结果为临床医生提供了可靠的预测工具，有助于术前评估手术风险、优化资源配置，并在术中提高操作效率。

#### 临床意义与局限性

本研究的临床意义在于，通过机器学习模型，能够更准确地预测TAAD手术时长，为术前规划和术中管理提供重要参考。研究识别出的五个关键因素（体外循环时间、主动脉阻断时间、术中输血量、主动脉弓处理方式和主动脉根部处理方式）为临床医生提供了明确的指导，有助于在手术前制定更合理的计划，并在术中采取更有效的措施。

然而，研究也存在一定的局限性。首先，数据主要来源于单一中心，样本量相对有限，可能影响模型在外部数据集中的泛化能力。其次，部分关键特征（如术中输血量和主动脉阻断时间）仅在术中获取，这限制了模型在术前预测中的应用。此外，研究未进行外部验证，这可能影响结果的普遍适用性。未来的研究可以考虑采用多中心、前瞻性设计，以进一步验证模型的预测性能，并探索更丰富的术前数据，以提高预测的准确性和实用性。

### 研究结论与展望

本研究构建了11种机器学习回归模型，用于预测和分析TAAD手术时长。其中，ExtraTrees模型在预测性能上表现最佳，能够有效解释手术时长的变化。研究还发现，手术策略、术中操作和患者病理状态是影响手术时长的主要因素，其中体外循环时间、主动脉阻断时间、术中输血量、主动脉弓和根部处理方式对手术时长的影响最为显著。这些结果为临床医生提供了重要的参考，有助于优化手术策略、提高手术效率，并减少术后并发症的风险。

尽管本研究在预测模型的构建和分析方面取得了重要进展，但仍需进一步探索多中心、前瞻性数据，以验证模型的普遍适用性。此外，未来的研究可以考虑引入更多的术前变量，以提高模型的预测能力。随着机器学习技术的不断发展，其在医疗领域的应用前景广阔，有望为手术时间预测、术前风险评估和术后管理提供更加精准和高效的解决方案。