编辑推荐：
为预测心脏手术患者拔管失败，研究人员用机器学习建模，发现 XGBoost 算法最佳，有重要意义。
### 心脏手术后拔管失败风险预测的新探索
在心脏手术的治疗过程中，机械通气是常用手段。然而，长期机械通气会引发诸多并发症，像呼吸机相关性肺炎、气管切开以及肌肉无力等。所以，尽早进行拔管对患者康复有益，能提升存活率并减少并发症。但对于患有多种合并症的老年患者和接受复杂心脏手术的患者而言，早期拔管并非易事，他们可能面临拔管失败和重新插管的风险。一旦拔管失败，不仅会延长机械通气时间、增加住院时长，还可能导致死亡率上升。
目前，传统预测心脏手术后拔管失败的指标，如呼吸频率（RR）、分钟通气量、潮气量（VT）和浅快呼吸指数（RSBI）等，单独使用时准确性欠佳，难以有效指导临床决策。虽然已有研究利用人工智能，尤其是机器学习（ML）来预测拔管情况，但这些研究存在机械通气数据缺失的问题，且未聚焦于心脏手术患者。
为了解决这些难题，浙江大学医学院附属金华医院麻醉科等机构的研究人员开展了相关研究。他们的研究成果发表在《Scientific Reports》上。这项研究旨在通过可解释的机器学习建立拔管预测模型，并找出心脏手术患者拔管失败的关键预测因素。
研究人员从医疗信息中心重症监护数据库（MIMIC）-IV 中获取了 776 例接受心脏手术且机械通气时间超过 24 小时的成年患者的数据。以 WIND 标准判定的拔管失败作为主要终点，其中有 205 例患者出现拔管失败情况。研究人员运用了逻辑回归、随机森林和极端梯度提升（XGBoost）三种机器学习模型进行对比分析。
在数据处理阶段，对于缺失值大于 30% 的变量，直接排除分析，以确保数据集质量。而训练集中的缺失数据，则采用 R 语言（版本 4.1.3）的 “mice” 包，通过多元迭代模拟（MICE）方法进行处理。同时，研究人员使用网格搜索和五折交叉验证对模型超参数进行调优，以此优化模型性能。此外，研究还运用了 Shapley 加性解释（SHAP）框架评估预测变量的重要性。
研究结果显示，XGBoost 算法表现最佳，其受试者工作特征曲线下面积（AUC）为 0.793，平均精度为 0.700，布里尔分数为 0.150 ，优于逻辑回归和随机森林算法。在预测变量重要性方面，拔管前 24 小时的阴离子间隙均值是拔管失败最关键的预测因素，其他主要特征还包括呼吸机参数和血气指标。比如，正压呼气末压力（PEEP）和平台压（Pplat）这两个呼吸机参数，高值往往意味着肺功能受损严重，与拔管失败的高概率相关。
在讨论部分，研究人员指出，该研究表明阴离子间隙、肌酐水平和通气参数等是拔管失败的重要预测因素。这些风险因素有助于重症护理人员选择最佳的拔管时机。不过，该研究也存在一定局限性。数据来源于单中心的 MIMIC 数据库，可能限制了模型在其他临床环境的适用性，未来需要多中心研究来验证。而且，研究未区分意外拔管和有意拔管，这可能影响研究结果的普遍性。另外，研究发现的是关联关系而非因果关系。
尽管如此，这项研究仍意义重大。它运用机器学习为预测重症患者心脏手术后拔管失败提供了新方法，明确了内部环境指标和通气特征是拔管失败的重要预测因素。后续若能进一步完善模型并开展外部验证，有望为临床拔管决策提供有力支持，推动心脏手术患者治疗水平的提升。
