编辑推荐：
为解决亚洲缺乏术前和围手术期风险预测工具问题，研究人员开发模型，助力 TKA 术前评估。
在人口老龄化的大背景下，全膝关节置换术（TKA）作为治疗终末期膝骨关节炎的 “金标准”，手术量正逐年攀升。然而，假体周围关节感染（PJI）这一并发症却如同隐藏在术后的 “定时炸弹”，它不仅是导致 TKA 翻修的常见原因，还与较高的发病率和死亡率密切相关。据统计，PJI 患者的一年死亡率可达 10.6%，五年死亡率更是高达 25.9%。这一情况不仅给患者带来了身体上的痛苦，还造成了沉重的经济负担，预计到 2030 年，美国因 TKA 后 PJI 产生的年度医院费用将高达 11 亿美元。
目前，虽然术前评估和围手术期管理在临床中已广泛应用，但对于这些风险因素与 PJI 之间的相互作用和相对贡献，人们了解得还十分有限。此外，现有的预测 PJI 风险的模型大多是基于白种人和西方人群数据开发的，由于地域和种族差异，这些模型并不适用于亚洲人群。在这样的背景下，香港大学等机构的研究人员开展了一项具有开创性的研究，旨在开发一个能够个性化、系统地预测亚洲人群原发性 TKA 术后 PJI 风险的机器学习模型。该研究成果发表在《BMC Musculoskeletal Disorders》杂志上。
为了实现这一目标，研究人员进行了一系列复杂且严谨的工作。他们从香港玛丽医院 1998 年至 2021 年的患者中，选取了接受原发性 TKA 的患者作为研究对象，最终确定了 3483 例符合条件的病例。研究人员从电子病历系统（ePR）和临床数据分析报告系统（CDARS）中收集了患者的 60 个特征信息，涵盖了患者的人口统计学信息、手术相关变量、实验室检查结果以及合并症等多个方面。随后，研究人员运用 Python 及相关的 Scikit-learn、NumPy、Pandas 库进行数据预处理，采用逻辑回归进行特征选择，并使用分层 10 折交叉验证训练了 5 种监督机器学习算法，最终通过多个指标评估模型性能。
在研究结果方面，研究人员首先对队列特征进行了分析。在 3483 例 TKA 病例中，有 81 例（2.3%）发生了 PJI。患者大多为中国女性，平均年龄 70.4±10.0 岁，平均 BMI 为 27.8±4.6kg/m2。通过单变量和多变量分析，研究人员确定了 6 个重要的预测因素：手术时间、男性性别、美国麻醉医师协会评分（ASA）>2、脊髓麻醉、贫血史和化脓性关节炎史。其中，脊髓麻醉是唯一的保护因素，而其他因素均为 PJI 的风险因素。
在模型性能评估中，平衡随机森林模型脱颖而出，展现出了卓越的预测能力。其受试者工作特征曲线下面积（AUC）达到了 0.963，平衡准确率为 0.920，敏感性为 0.938，特异性为 0.902 。与之前基于西方人群数据开发的模型相比，该模型在预测亚洲人群 PJI 风险方面表现更为出色。
为了进一步提高模型的可解释性，研究人员利用 SHapley Additive exPlanations（SHAP）方法提供了全局和局部解释。全局解释通过 SHAP 总结图展示了每个特征的重要性，而局部解释则通过 SHAP 瀑布图为个体 TKA 病例提供了详细的解释。
从研究结论和讨论来看，该研究开发的模型是亚洲首个针对原发性 TKA 术后 PJI 风险的机器学习预测模型，具有重要的临床意义。通过该模型，医生可以在术前识别出高风险患者及其可改变的风险因素，从而采取相应的优化措施，如缩短手术时间、选择脊髓麻醉、纠正贫血等。对于不可改变的风险因素，医生也可以提前告知患者手术风险，帮助患者做出更合理的治疗决策。在术后，模型还可以帮助识别需要加强监测的高风险患者，以便早期发现和治疗 PJI。尽管该研究存在一些局限性，如机器学习模型的 “黑箱” 性质、研究期间医疗实践的变化、数据不完整以及数据集不平衡等问题，但这一模型仍然为后续研究奠定了坚实的基础。
总的来说，这项研究为亚洲人群原发性 TKA 术后 PJI 风险的预测和管理提供了新的工具和思路，有望改善 TKA 的临床结果，降低 PJI 的发生率，减少相关的医疗支出，对未来的临床实践和研究具有重要的指导意义。
