利用NSQIP-P数据库开发、验证并比较用于预测儿科手术部位感染的机器学习模型

《Journal of the American College of Surgeons》：Development, Validation, and Comparison of Machine Learning Models for Predicting Pediatric Surgical Site Infections Using the NSQIP-P Database

儿童手术部位感染（SSI）预测研究基于美国国家外科质量改进计划儿科数据库，分析115万例手术数据，建立五类机器学习模型（逻辑回归、随机森林等）。结果显示正则化逻辑回归模型（Brier 0.023，C-index 0.77）最优，能有效区分低（<2%）和高（≥10%）风险患者，适用于电子健康记录系统整合。

　　

摘要

背景：

手术部位感染（SSIs）在儿童中导致了相当大的术后发病率。尽管这些感染在很大程度上是可以预防的，但其发生率却持续上升。现有的SSI预测模型主要是为成人设计的。本研究旨在开发、验证并比较用于预测儿童SSI风险的机器学习模型，并推荐一个适合临床工作流程整合的模型。

研究设计：

我们对国家外科质量改进计划-儿科（NSQIP-P）数据库（2012-2022年）中的1,152,034例病例进行了回顾性队列分析，其中包括27,562例SSI病例。数据被分为训练集（1,101,950例）和测试集（50,084例）。我们开发了五种模型：弹性网络正则化逻辑回归、随机森林、梯度提升树、k最近邻和神经网络。通过Brier分数、c统计量和校准指标来评估模型的性能，并使用自助法重采样来估计置信区间。

结果：

所有模型的表现相似（Brier分数在0.023至0.024之间；c统计量在0.72至0.77之间）。正则化逻辑回归表现优异（Brier分数为0.023；c统计量为0.77），因其预测准确性、计算效率以及临床应用的可行性而被选中。关键预测因素包括手术代码、围手术期诊断、合并症、急性指标、实验室检查结果和患者人口统计信息。在测试集中，平均预测的SSI风险为2.4%；62%患者的风险低于2%，而3%患者的风险高于或等于10%。

结论：

机器学习模型可以利用术前数据预测儿童SSI的风险。我们的正则化逻辑回归模型是一个有前景的候选者，可以集成到电子健康记录系统中，以实现个性化风险评估和有针对性的感染预防。下一步包括外部验证和以用户为中心的实施研究。