基于机器学习的预测模型的开发，用于预测接受全身麻醉的非心脏手术的虚弱老年患者术后谵妄的发生情况

《European Geriatric Medicine》：Development of a machine learning-based prediction model for postoperative delirium in frail elderly patients undergoing noncardiac surgery under general anesthesia

本研究针对脆弱老年患者术后谵妄（POD）的高发问题，采用机器学习技术构建预测模型，通过多变量数据分析和特征选择，发现XGBoost模型具有最佳性能（AUC 0.813），关键预测因子包括MMSE评分、Charlson共病指数和年龄，外部验证显示其临床应用价值。

　　

摘要

背景

在体弱的老老年人中，术后谵妄（POD）的发病率显著增加，导致更高的发病率、更长的住院时间和更高的医疗成本。一个准确的POD预测模型可以指导预防策略并改善患者预后。本研究利用先进的机器学习技术，结合全面的术前和术中数据开发了一个POD预测模型。

方法

我们在2023年2月至2025年2月期间，招募了2,089名年龄≥65岁的体弱患者，这些患者在接受非心脏手术时使用了全身麻醉。我们提取了38个基线变量、麻醉相关变量和实验室变量；缺失数据通过链式方程（MICE）进行多重插补处理。数据集被随机分为7:3的比例，分为训练集和验证集。在使用Boruta和LASSO进行特征选择后，训练并比较了八种机器学习模型——逻辑回归、随机森林、支持向量分类器、XGBoost、人工神经网络、朴素贝叶斯、k最近邻和决策树——以ROC-AUC作为主要评估指标，同时考虑了准确性、精确度、召回率和F1分数。对于表现最佳的算法，我们使用SHAP分析来解释模型的可解释性。

结果

在2,089名体弱老年患者中，POD的发病率为16.52%。经过Boruta和LASSO识别出15个关键预测因子后，XGBoost模型的AUC达到了0.813，优于其他七种算法。SHAP分析表明，MMSE评分、Charlson合并症指数和年龄是最强的预测因子。外部验证在决策曲线分析中显示出较高的临床实用性，其ROC衍生的敏感性为0.813，特异性为0.793，证实了该模型的稳健性能且没有过拟合现象。

结论

本研究提出了一个基于XGBoost的强大模型，用于预测接受非心脏手术的体弱老年患者的术后谵妄，展示了机器学习在临床风险分层方面的潜力。该模型具有平衡的性能和高准确性，使临床医生能够识别高风险患者并及时采取干预措施。未来的工作应集中在将其整合到临床工作流程中，并进行进一步的外部验证。