评论：阴茎假体植入术后并发症严重程度预测：一项基于机器学习的预测建模研究

《International Journal of Impotence Research》：Comment on: Postoperative complication severity prediction in penile prosthesis implantation: a machine learning-based predictive modeling study

本研究探讨机器学习算法在阴茎假体植入术后并发症预测中的应用，发现梯度提升算法表现最优，HbA1c、睾酮和尿素为关键预测因子，同时指出AI在医疗中的数据与泛化挑战及改进方向

　　

阴茎假体植入术（PPI）仍是治疗男性勃起功能障碍的标准外科方法，在适当选择患者并遵循安全手术原则的情况下，能够取得优异且安全的治疗效果[1]。然而，术后护理往往不够充分，常常被忽视。因此，疼痛和阴囊肿胀等问题可能导致严重的并发症，而术后感染对患者来说可能是毁灭性的，甚至需要移除假体，并增加阴茎纤维化的风险。预测术后并发症，尤其是PPI相关的并发症，有助于减少不良后果并防止严重的假体感染。在这项基于机器学习（ML）的术后并发症严重程度预测研究中，ünal及其同事发现梯度提升（Gradient Boosting）ML算法的表现优于其他模型，其F1分数最高（0.86 ± 0.09；95%置信区间，0.84–0.87），尽管朴素贝叶斯（Naive Bayes）ML算法在预测严重并发症方面的特异性最高[2]。这些ML算法认为HbA1c、总睾酮和尿素是术后并发症的关键预测因子。

人工智能（AI）正在通过提高诊断准确性和医疗效率快速改变医疗服务的提供方式。作为AI的一个分支，ML利用数学算法从数据中识别模式[3, 4]。ML模型可以准确可靠地预测患者结果及可能的干预措施，针对术前、术中和/或术后变量，从而有助于改善临床效果并降低并发症风险[5, 6]。然而，ML算法在处理复杂非线性关系时存在困难，因为它们缺乏对背景信息的理解[64, 6。最近，堆叠集成方法被用来通过提高建模的可靠性和准确性来纠正模型错误和数据集偏差[78。

PPI不仅仅是植入一个功能性的假体，还应该关注患者的阴茎外观改善和潜在的心理性功能[9]。严格的患者筛选、现有合并症（如糖尿病和心血管风险因素）的优化，以及充分的知情同意过程，对于确保患者安全并最大化手术效果至关重要[14, 8。未来，改进基于ML的预测模型的工作应侧重于提高其决策过程的可解释性和透明度，尤其是针对个性化护理的需求[3, 85。