编辑推荐：
为预测髋膝关节置换（HA/KA）手术时长（DOS），研究人员对比 XGBoost 和线性回归，发现机器学习预测性能尚可，有重要意义。
在医疗领域，髋膝关节置换（HA/KA）手术是治疗关节疾病的重要手段。然而，手术时长（DOS）却如同一个捉摸不定的 “变量”，给医疗工作带来诸多挑战。手术时间过长，会增加患者术后出现如翻修、再入院、感染、肾功能损害等不良事件的风险 ；而手术时间预估不准确，也会导致医院手术室（OR）排班效率低下，影响医疗资源的合理分配。以往的数据驱动的 DOS 规划在骨科诊所中很少实施，虽然有研究尝试用机器学习（ML）预测手术时长，但存在预测不够精准、对实际手术排班意义有限等问题。为了突破这些困境，来自德国的研究人员开展了一项极具意义的研究，该研究成果发表在《BMC Medical Informatics and Decision Making》上。
研究人员为实现精准预测 DOS，优化 OR 资源规划，提升患者安全，采用了 XGBoost 这一先进的机器学习算法和线性多变量回归作为对比模型进行研究。研究数据来源于 PROMoting Quality 研究，这是一项多中心、单盲随机对照试验，涵盖了德国九家医院 2019 - 2021 年接受 HA 或 KA 手术的患者数据。经过数据清洗和预处理，最终多医院数据集包含 3704 名患者，单医院数据集（“Hospital nr. 8”）包含 1815 名患者。
研究中运用的关键技术方法主要有：首先，采用随机森林插补法处理缺失数据；其次，将所有可能影响手术时长的术前变量纳入模型，包括社会人口学信息、关节手术史、术前诊断、行为变量、患者报告结局指标（PROMs）等，并对分类变量进行独热编码；然后，运用 XGBoost 和线性多变量回归进行预测建模，通过 5 折交叉验证（CV）和随机搜索对 XGBoost 模型进行超参数调优；最后，使用平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）等指标评估模型性能，并利用 SHapley Additive exPlanation（SHAP）分析确定重要预测变量。
研究结果如下：
- 多医院分析：在训练数据上，XGBoost 模型在 HA 样本中的 MAE 为 12.60min，KA 样本中为 13.21min；线性多变量回归模型性能略逊一筹，但二者置信区间重叠。在测试数据上，XGBoost 模型在 HA 样本中的 MAE 为 12.13min，KA 样本中为 13.61min；线性多变量回归模型在测试数据上性能稍有提升，但 XGBoost 模型点估计表现仍更好，二者置信区间依旧重叠。特征重要性分析表明，“Hospital nr. 8” 进行的手术对降低 DOS 影响显著，主刀医生手术量、是否有主任医师参与、专科医生数量、患者 BMI 和体重等因素也与 DOS 相关。
- 单医院深入分析：“Hospital nr. 8” 中 HA 患者平均 DOS 为 46.1min，KA 患者为 52.6min。在训练数据上，XGBoost 模型性能明显优于线性多变量回归模型；在测试数据上，所有模型性能均有所下降，但 XGBoost 模型在 HA 和 KA 样本中的 MAE 仍分别低于线性多变量回归模型，不过此时二者置信区间重叠。特征重要性方面，手术量成为最重要的预测因素，此外，患者年龄、PROMs、疼痛程度等因素也与 DOS 相关。
研究结论和讨论部分指出，该研究首次以连续结果预测 DOS，具有较高的实际应用价值。机器学习模型在多医院和单医院场景下均能合理预测 DOS，虽然 XGBoost 总体表现稍好，但与线性多变量回归模型在统计上无显著差异。研究还发现，外科医生经验、患者年龄、BMI 等是 DOS 的重要预测因素，PROMs 可作为相关特征，医院因素在多医院分析中影响显著，这可能反映出医院之间的质量差异。然而，该研究也存在局限性，如数据集相对较小、包含一些不常规收集的变量、未验证预测性能对 OR 效率和患者安全的实际影响、未明确 DOS 定义是否最佳、无法确定因果关系等。未来需更大数据集、纳入更多信息进行研究，同时开展试点项目验证模型效果。
总的来说，这项研究为髋膝关节置换手术时长预测提供了新的思路和方法，对优化手术室资源规划、保障患者安全具有重要的指导意义，也为后续相关研究奠定了基础。
