基于机器学习预测模型的儿童肾下盏结石输尿管软镜手术疗效与安全性研究

《World Journal of Urology》：Efficacy and safety of ureteroscopy in children with lower pole renal stones : a machine learning predictive model from the EAU section of endourology

本研究针对儿童肾下盏结石解剖位置特殊、手术清除率低的临床难题，通过机器学习技术构建预测模型。研究人员回顾性分析8个医疗中心91例接受fURSL手术的患儿数据，采用15种ML算法识别关键预测因子。结果显示Random Forest模型预测准确率达80.95%，证实结石数量、总负荷量、年龄和手术时间是影响手术效果的核心因素，为儿童LP结石的个体化治疗提供了智能决策工具。

　　

在欧洲，高达2%的儿童正受到尿路结石疾病的困扰，这一数字的持续上升与生活方式改变及肥胖等代谢综合征患病率增加密切相关。肾下盏结石因其特殊的解剖位置——陡峭的肾盏颈角阻碍器械进入和碎石排出，成为儿科泌尿外科医生面临的最大技术挑战。虽然输尿管软镜激光碎石术(fURSL)作为微创治疗手段已被广泛采用，但术后结石清除率在不同患儿中存在显著差异，尤其对于肾下盏这一特殊部位的结石，如何精准预测手术效果仍是临床实践中的难点。

为破解这一难题，由Carlotta Nedbal领衔的国际研究团队在《World Journal of Urology》发表了针对儿童肾下盏结石的机器学习预测模型研究。该研究回顾性收集了2017年至2021年间来自8个三级医疗中心的280例接受fURSL治疗的儿童患者数据，最终筛选出91例孤立性肾下盏结石患儿进行深入分析。

研究团队采用了一套完整的技术方法体系：首先通过多中心数据库构建包含29个临床变量的数据集，包括患者 demographics、结石特征、手术参数和术后结局；随后应用15种机器学习算法（从传统逻辑回归到集成学习模型如Random Forest、Gradient Boosting等）进行模型训练；最后利用SHAP值等可解释性AI技术揭示关键预测因子的重要性。

描述性统计结果

研究发现肾下盏结石占全部病例的32.5%，且多见于年龄稍大、结石负荷较重但单发结石直径并无显著差异的患儿。相关性分析显示，结石数量(r=-0.154)、术前支架置入(r=-0.135)和输尿管通路鞘(UAS)使用(r=-0.128)与肾下盏结石呈负相关，提示这类结石更倾向于单发且常无需复杂器械辅助。

机器学习模型性能

在15种机器学习模型中，集成学习方法表现尤为突出。Random Forest以80.95%的验证准确率和76.67%的F1-score位居首位，Gradient Boosting模型以76.19%的验证准确率紧随其后。相比之下，传统统计方法如QDA和Naive Bayes准确率仅为40-50%，凸显了机器学习在处理复杂临床数据模式识别中的优势。

特征重要性与可解释性

通过SHAP分析，研究确定了影响肾下盏结石手术效果的核心预测因子排序：结石数量（单发vs多发）>总手术时间>最大结石直径>总结石负荷>年龄>残余碎片(RF)>UAS使用>术前支架状态。

决策树可视化进一步证实，结石数量是模型分裂的首要节点，随后分支涉及残余碎片、结石直径和碎裂模式。这一发现与临床观察高度一致：肾下盏结石更多表现为单发结石，且手术器械使用相对简化。

讨论与结论

本研究首次将机器学习技术系统应用于儿童肾下盏结石的手术预后预测。值得注意的是，尽管肾下盏结石存在更高的残余碎片风险，但感染性并发症和术后血尿发生率反而较低，这可能与该类结石患者尿路感染发生率较低有关。研究结果印证了技术进展使fURSL成为儿童肾下盏结石的一线治疗方案，即使需要二次手术，其并发症风险和生活质量影响仍优于经皮肾镜取石术(PCNL)。

该机器学习模型展现了良好的预测性能，但研究者强调仍需外部验证和前瞻性研究优化。未来研究可进一步整合成本效益分析和实时临床决策支持，推动人工智能在儿科尿路结石精准医疗中的深入应用。