随机森林算法：精准预测口腔癌手术术后低血压的前沿利器

为解决口腔癌游离皮瓣重建术后低血压（POH）预测难题，中南大学湘雅二医院研究人员开展相关研究。他们发现多个风险因素并构建 RF 预测模型。此研究为早期干预提供依据，值得科研读者一读。

　　

中南大学湘雅二医院（Department of Anaesthesiology, The Second Xiangya Hospital, Central South University）的研究人员 Shuiting Zhang、Yanling Zhang 等人在《Scientific Reports》期刊上发表了题为 “Random forest algorithm for predicting postoperative hypotension in oral cancer resection and free flap reconstruction surgery” 的论文。这篇论文在口腔癌手术治疗领域意义重大，为术后低血压（Postoperative hypotension，POH）的预测和防治提供了新的思路与方法，有望改善患者的预后和生活质量。

研究背景

口腔癌是一种常见的恶性肿瘤，手术切除是其主要治疗方式。然而，手术不仅会造成明显的面部畸形，还会损害口腔的咀嚼、吞咽和言语等功能。游离皮瓣重建（Free flap reconstruction）技术的出现，极大地改善了患者术后的生活质量和功能恢复，成为目前口腔癌手术的首选重建方法。

但术后低血压是口腔癌游离皮瓣重建手术后的一个重要问题。低血压是围手术期不良结局的独立危险因素，会对患者的心脏、肾脏等器官造成损害，增加患者的死亡风险 。尽管医疗人员在术后给予了精心护理，但低血压仍时有发生。而且，目前还没有研究针对口腔癌游离皮瓣重建手术人群，探究术后低血压的危险因素，也缺乏相关预测模型，这使得临床医生难以对其进行早期干预。

机器学习（Machine learning，ML）作为计算机科学的一个重要领域，在医学研究中逐渐崭露头角。在麻醉学领域，已有多种机器学习模型被用于预测手术临床结局，且表现出色。然而，这些模型在预测术后低血压方面的应用研究还比较有限。因此，开展此项研究，对于了解口腔癌术后低血压的影响因素、构建预测模型、实现早期干预具有重要的现实意义。

研究方法

1. 研究设计：本研究是一项回顾性观察研究，经中南大学湘雅二医院研究伦理委员会批准（LYF 20240022），并遵循《赫尔辛基宣言》。研究过程中未采取干预措施，在分析前去除了手术日期和极端年龄（＞80 岁）以外的所有受保护健康信息。预先确定了研究结局、数据收集方法和统计方法。
2. 研究人群：研究对象为 2022 年 12 月 1 日至 2023 年 12 月 31 日在某公立三甲医院接受口腔癌切除及游离皮瓣重建手术的患者。纳入标准包括年龄≥18 岁、无严重并发症（如 V 期慢性肾脏病）、无放化疗史且数据完整的成年患者。最终纳入 412 例患者进行分析。
3. 数据来源：从住院患者的电子病历中提取适用的有限数据集。为确保数据准确性，临床医生会随机抽查部分病例，审核数据提取的正确性及其来源。研究的主要结局和终点是术后低血压，定义为口腔癌切除及游离皮瓣重建术后在麻醉重症监护病房（Anesthesia intensive care unit，AICU）中平均动脉压（Mean arterial pressure，MAP）＜55 mmHg。
4. 患者特征：选取的研究变量涵盖术前参数（如年龄、性别、身高、体重、体重指数（Body mass index，BMI）、收缩压 / 舒张压等）、麻醉 - 手术因素（如美国麻醉医师协会（American Society of Anesthesiologists，ASA）分级、手术时间、出血量等）以及术后变量（如肿瘤大小、乳酸水平、氧合指数等）。
5. Boruta 特征选择：采用基于随机森林（Random forest，RF）分类器的 Boruta 方法进行特征选择，目的是找出对因变量最重要的特征集。
6. ML 模型：将数据随机分为 70% 的训练集和 30% 的测试集。训练了逻辑回归（Logistic regression，LR）、支持向量机（Support vector machine，SVM）、决策树（Decision tree，DT）、随机森林、极端梯度提升（Extreme gradient boosting，XGBoost）、K 近邻（K-nearest neighbor，KNN）和轻量级梯度提升机（Light gradient boosting machine，LightGBM）这 7 种机器学习算法。通过十折交叉验证重复三次来减少初始过拟合，以受试者工作特征曲线下面积（Area under the receiver operating characteristic curve，AUC）作为主要性能参数，并计算每个模型在 “最佳” 阈值下的敏感性和特异性。
7. 统计分析：正态分布的连续数据以均值和标准差表示，非正态分布的变量以中位数和四分位数间距表示。分类数据以数字和频率（%）表示。使用卡方检验或 Fisher 精确检验（Yates 校正）比较分类变量，使用 Student's t 检验比较连续变量。通过双尾假设检验评估 POH 阈值与结局之间的关联。使用调整后的优势比和 95% 置信区间（Confidence interval，CI）衡量效应大小。所有统计分析、ML 模型创建和图像制作均使用 SPSS 24.0、GraphPad Prism 8.0 和 R 版本 4.3.3 完成，以 p＜0.05 为差异具有统计学意义。

研究结果

1. 研究队列和患者特征：最初有 727 例患者接受了手术干预，但其中 156 例未进行游离皮瓣重建手术，47 例未监测和记录连续动脉血压。最终纳入 412 例患者，平均年龄为 54.2 ± 11.0 岁，其中 66 例（16.2%）发生了术后低血压。基于 POH 事件的基线和人口统计学特征总结在补充表 1 中。
2. POH 与医疗费用的关联：分析发现，发生 POH 的患者住院费用（99406.2 vs. 91856.4；P＜0.01）和住院时间（10.7 vs. 9.3；P＜0.001）均显著高于未发生 POH 的患者。这表明 POH 会增加患者的经济负担，延长住院时间，对患者的康复产生不利影响。
3. POH 风险模型推导和验证：利用 Boruta 技术确定了影响 POH 发生的 10 个风险因素，包括钠、手术时间、二氧化碳分压、心率、体重、舒张压、体表面积（Body surface area，BSA）、液体摄入量、肿瘤大小和收缩压。基于这些选定变量开发了 7 种 ML 模型，经训练后，测试集上各模型的 AUC 值分别为：DT 为 0.726（95% CI，0.596 - 0.847），RF 为 0.805（95% CI，0.674 - 0.935），LightGBM 为 0.635（95% CI，0.506 - 0.764），SVM 为 0.716（95% CI，0.588 - 0.844），LR 为 0.744（95% CI，0.667 - 0.820），SVM 为 0.612（95% CI，0.468 - 0.755），XGboost 为 0.691（95% CI，0.563 - 0.819）。随机森林模型的 AUC 值最高，表现优于其他模型。
4. 特征重要性评估和模型可解释性：通过变量重要性和 Shapley 加性解释（Shapley additive explanation，SHAP）分析，确定了收缩压、心率、肿瘤大小、乳酸、舒张压、手术时间、液体摄入量和 BMI 是口腔癌切除及游离皮瓣重建手术中 POH 的独立预测因素。SHAP 分析还展示了不同特征如何影响个体患者的 POH 预测风险，例如，高收缩压和较小的肿瘤大小与较低的 POH 风险相关，而高心率和较大的肿瘤大小则与较高的 POH 风险相关。

研究结论与讨论

本研究通过对 50 个围手术期临床参数和 7 种 ML 模型的研究，成功构建了基于随机森林模型的口腔癌术后低血压预测模型。该模型能够基于从电子病历系统中轻松提取的临床和实验室数据，对 POH 风险进行有效预测。研究发现，POH 在口腔癌切除及游离皮瓣重建手术患者中的发生率为 16.2%，且与住院费用增加和住院时间延长密切相关。

收缩压、心率、肿瘤大小、乳酸水平、舒张压、手术时间、总液体输注量和 BMI 等因素是 POH 的重要预测变量。这些因素与 POH 的关联，为临床医生提供了明确的关注重点。例如，术前血压较低的患者，术后发生 POH 的风险可能更高，医生在围手术期应加强对这类患者血压的监测和管理；手术时间较长、肿瘤较大的患者，由于术中失血、体液丢失等原因，也更容易出现 POH，需要提前做好预防措施。

随机森林算法在预测 POH 风险方面表现出了较高的可靠性和可解释性。其 AUC 值达到 0.805，优于其他 6 种 ML 模型，能够为临床决策提供有力支持。通过 SHAP 分析，还可以针对个体患者进行高风险和低风险 POH 的预测，帮助医生更精准地制定个性化的治疗方案。

然而，本研究也存在一定的局限性。这是一项单中心、为期一年的回顾性研究，样本量相对较小，研究时间较短，可能无法完全反映不同临床实践环境下的情况。此外，电子病历中部分与 POH 密切相关的特征，如术后伤口引流量、游离皮瓣坏死情况、气道管理细节和术前实验室值等，未被纳入模型，可能影响了模型的判别能力和临床价值。而且，由于 MAP 是间歇性记录的，存在读数不稳定和遗漏 POH 病例的可能性，尤其是在夜间人员较少时。

尽管存在这些不足，本研究仍然为口腔癌术后低血压的预测和防治提供了重要的参考。未来需要开展更大样本量、多中心的前瞻性研究，进一步验证本研究的结果，并完善预测模型。这将有助于临床医生更准确地预测 POH 风险，及时采取干预措施，降低 POH 的发生率，改善口腔癌患者的预后和生活质量，对口腔癌手术治疗领域的发展具有重要的推动作用。