编辑推荐：
腹主动脉瘤（AAA）开放修复术后并发症风险高，却缺乏有效预测工具。研究人员利用机器学习（ML）技术分析相关数据，构建模型预测术后 30 天主要不良心血管事件（MACE）等结局。结果显示 XGBoost 模型表现最佳，该研究有助于指导临床决策，改善患者预后。
在医学的神秘世界里，腹主动脉瘤（Abdominal Aortic Aneurysm，AAA）就像一颗隐藏在人体深处的 “定时炸弹”。当腹主动脉异常扩张超过 3 厘米，AAA 就可能随时 “引爆”，一旦破裂，死亡率超过 80%，严重威胁着人们的生命健康。而开放手术虽能降低破裂风险，但手术本身却伴随着高并发症率，超过 25% 的患者会出现不良事件 。
更令人担忧的是，目前临床上并没有广泛适用的工具来预测开放 AAA 修复后的手术风险。现有的风险预测模型存在诸多问题，要么方法有缺陷，在不同人群中的表现参差不齐；要么使用不便，需要手动输入大量临床变量，在忙碌的医疗环境中难以推广。临床医生仅靠经验判断，预测准确性也差强人意。因此，开发更有效的风险预测工具迫在眉睫。
为了解决这一难题，来自多伦多大学、沙特国王大学等多个机构的研究人员联合开展了一项研究。他们将目光投向了新兴的机器学习（Machine Learning，ML）技术，期望借助其强大的数据处理和预测能力，为 AAA 手术风险预测带来新的突破。
研究人员从美国外科医师学会国家外科质量改进计划（ACS NSQIP）的数据库中，筛选出 2011 年至 2021 年间接受择期、非破裂性开放 AAA 修复的患者数据。这些数据涵盖了患者的人口统计学信息、临床特征、术前检查结果等 35 个变量。他们以术后 30 天内发生主要不良心血管事件（Major Adverse Cardiovascular Event，MACE，包括心肌梗死、中风或死亡）为主要研究终点，同时还关注了其他如再干预、其他并发症、非家庭出院和意外再入院等次要终点。
研究人员运用了多种机器学习算法，包括极端梯度提升（XGBoost）、随机森林、朴素贝叶斯分类器等，并以逻辑回归作为基线对比模型。为了优化模型性能，他们对数据进行了 70:30 的训练集和测试集划分，采用 10 折交叉验证和网格搜索寻找最佳超参数，还利用随机过采样（ROSE）技术处理数据不平衡问题。
最终，研究取得了令人瞩目的成果。在纳入的 3620 名患者中，30 天 MACE 发生率为 8.6% 。在众多模型中，XGBoost 模型脱颖而出，预测 30 天 MACE 的受试者工作特征曲线下面积（AUROC）达到 0.90（95% 置信区间：0.89 - 0.91） ，远超逻辑回归模型（AUROC 为 0.66，95% 置信区间：0.64 - 0.68） 。对于其他次要终点，XGBoost 模型同样表现出色，AUROC 在 0.81 - 0.91 之间。
进一步分析发现，年龄较大、合并多种疾病（如高血压、心力衰竭、慢性阻塞性肺疾病等）、有复杂的动脉瘤解剖结构（如更大的 AAA 直径、更高位置的动脉瘤）以及需要进行额外的血管重建手术等因素，与术后 30 天 MACE 的发生密切相关。此外，XGBoost 模型在不同年龄、性别、种族、民族、动脉瘤位置等亚组分析中，都保持了良好的预测性能。
这项研究成果意义重大。它所构建的机器学习模型，能够在术前精准预测开放 AAA 修复术后 30 天 MACE 等多种结局，为临床医生提供了有力的决策支持。医生可以根据预测结果，对高风险患者进行更全面的评估和优化，如安排心内科或内科专家会诊，调整治疗方案；对于具有不可改变风险因素的患者，可考虑选择监测或血管内治疗等替代方案。同时，模型还能帮助优化出院计划，减少并发症、再干预和再入院的发生，从而降低医疗成本，改善患者的预后。
该研究发表在《Scientific Reports》上，为腹主动脉瘤的临床治疗开辟了新的方向。
研究人员主要采用了以下关键技术方法：首先是数据收集，从 ACS NSQIP 数据库获取多中心患者数据；其次运用多种机器学习算法构建预测模型，包括 XGBoost、随机森林等；使用 10 折交叉验证和网格搜索优化模型超参数；采用随机过采样（ROSE）技术处理数据不平衡问题，以提升模型性能。
患者和事件
研究从 5784 例接受开放 AAA 修复的患者中，排除不符合条件的 2164 例，最终纳入 3620 例患者。30 天 MACE 发生在 311 例（8.6%）患者中，同时统计了其他如心肌梗死、中风、死亡等多种次要结局的发生情况 。
术前人口统计学和临床特征
对比发生和未发生 30 天 MACE 的患者发现，发生 MACE 的患者年龄更大，合并症更多，如高血压、胰岛素依赖型糖尿病等，且动脉瘤直径更大，更多需要血管重建手术 。
模型性能
在 6 种评估的 ML 模型中，XGBoost 预测 30 天 MACE 性能最佳，其 AUROC 达到 0.90 。对于其他次要结局，XGBoost 模型也有良好的预测表现，AUROC 在 0.81 - 0.91 之间 。同时，模型校准良好，Brier 评分为 0.03 。
亚组分析
XGBoost 模型在不同亚组分析中，如年龄、性别、种族等，均保持优秀的预测性能，AUROC 在 0.88 - 0.92 之间 。
研究通过构建机器学习模型，精准预测了开放 AAA 修复术后 30 天 MACE 等多种结局，明确了相关风险因素，且 XGBoost 模型表现卓越。这一成果为临床决策提供了重要依据，有助于优化患者管理，改善患者预后，在腹主动脉瘤的临床治疗中具有重要的应用价值，不过模型仍需进一步在不同数据集上进行验证和完善。
