基于机器学习模型预测性别确认乳房切除术后并发症的效能评估与临床应用

《Aesthetic Surgery Journal Open Forum》：Implementing Machine Learning Models for Prediction of Gender Affirming Mastectomy Complications: Estimating Performance and Accuracy

本研究针对性别确认乳房切除术并发症预测的临床挑战，开发并验证了六种机器学习模型。研究人员通过回顾性分析268例手术数据，发现随机森林(Random Forest)模型表现最优，预测准确率达92.6%，AUC为0.904。该研究首次将机器学习应用于跨性别手术并发症预测，为个体化风险评估提供了新工具，对提升手术安全性和患者满意度具有重要意义。

　　

在跨性别医疗领域，性别确认乳房切除术作为女性向男性转型的关键步骤，能够显著改善生活质量。然而该手术存在5-25%的并发症风险，包括血肿、血清肿、皮瓣坏死等，可能延迟康复并影响手术效果。目前临床缺乏有效的风险评估工具，传统统计方法难以处理多变量间的复杂关系。为此，以色列Hillel Yaffe医疗中心的研究团队在《Aesthetic Surgery Journal Open Forum》发表了创新性研究，探索机器学习在预测性别确认乳房切除术并发症中的应用价值。

研究团队回顾性分析了2003-2025年间由同一位资深外科医生实施的268例性别确认乳房切除术病例。通过精心设计的机器学习流程，比较了六种算法在并发症预测中的表现。这些算法包括逻辑回归(Logistic Regression)、K近邻(K-nearest Neighbors)、神经网络(Neural Networks)、随机森林(Random Forest)、XGBoost和支持向量机(Support Vector Machine)。

研究方法的核心技术包括数据预处理中的均值插补法处理缺失值，五折交叉验证优化模型参数，以及接受者操作特征曲线(ROC)分析评估模型判别能力。研究采用80%的数据作为训练集，20%作为测试集，确保模型验证的可靠性。

研究结果

模型性能与准确度

随机森林和K近邻模型表现出最高的准确度（92.6%），XGBoost达到90.7%，神经网络和支持向量机为88.9%，逻辑回归最低（87.0%）。神经网络模型灵敏度最高（90.48%），而随机森林和XGBoost实现了100%的特异度和阳性预测值。

混淆矩阵分析

通过预测与实际结果的对比矩阵显示，支持向量机在所有指标上表现均衡，而随机森林在特异性和阳性预测值方面表现突出。

ROC曲线分析

随机森林模型的曲线下面积(AUC)最高，达0.904（95%CI 0.82-0.98），神经网络和XGBoost紧随其后。这一结果表明随机森林模型具有优秀的判别能力。

特征重要性分析

研究发现手术技术、切除重量、年龄和术前血红蛋白水平是对并发症预测影响最大的变量。这一发现为临床风险分层提供了具体指导。

讨论与结论

本研究首次系统评估了机器学习在性别确认乳房切除术并发症预测中的应用。随机森林算法的优异表现印证了其在医疗预测任务中的可靠性，这与既往在骨科、心脏手术等领域的研究结果一致。特征重要性分析揭示了手术技术选择、组织切除量等可干预因素对并发症风险的影响，为术前规划提供了实证依据。

研究的临床意义在于实现了从传统单因素分析向多变量智能预测的转变，使外科医生能够在术前更准确地评估个体化风险，优化手术方案选择。对于切除重量较大或术前血红蛋白较低的患者，可加强术后监测；而根据特征重要性结果，手术技术的选择需综合考虑并发症风险和美学效果。

然而，本研究作为单中心回顾性研究，样本量相对有限，特别是对于需要大量数据的神经网络模型。未来需要通过多中心前瞻性研究进行外部验证，以证实模型的普遍适用性。

该研究的创新点在于将机器学习引入跨性别手术这一新兴领域，解决了异质性人群风险评估的难题。随着人工智能在医疗领域的深入应用，类似数据驱动工具有望成为外科决策的标准配置，最终实现更安全、更个性化的跨性别医疗服务。