编辑推荐：
临床上，腹腔镜胰十二指肠切除术（LPD）后临床相关胰瘘（CR-POPF）严重影响患者预后。研究人员开展基于机器学习预测 LPD 后 CR-POPF 的研究，发现软胰腺质地是独立危险因素，随机森林模型预测性能最佳。这为术前规划和术后护理提供参考。
在外科手术的世界里，腹腔镜胰十二指肠切除术（Laparoscopic Pancreaticoduodenectomy，LPD）是治疗壶腹周围肿瘤的重要手段。然而，术后并发症却像隐藏在暗处的 “敌人”，尤其是临床相关术后胰瘘（Clinically Relevant Postoperative Pancreatic Fistula，CR-POPF），严重阻碍患者康复。它不仅增加患者痛苦，延长住院时间，还可能导致更高的医疗费用和死亡率。目前，CR-POPF 的风险因素存在异质性，现有的预测模型在临床应用中也存在不足，无法精准评估患者风险。为了攻克这一难题，山东第一医科大学附属山东省立医院肝胆外科中心的研究人员展开了深入研究。
这项发表在《BMC Surgery》上的研究意义重大。它致力于找出 CR-POPF 的独立风险因素，并借助机器学习（Machine Learning，ML）模型提高预测准确性，为术前风险分层、术中决策制定以及术后管理提供有力支持，从而降低 CR-POPF 的发生率，改善患者预后，推动精准外科的发展。
研究人员采用了多种关键技术方法。他们回顾性分析了 2017 年 1 月至 2024 年 1 月在本院接受 LPD 的患者数据，依据严格的纳入和排除标准筛选出 210 例壶腹周围癌患者。通过将患者分为 CR-POPF 组（34 例）和非 CR-POPF 组（176 例），对比两组患者的术前、术中数据。运用 R 软件进行统计分析，使用独立样本 t 检验、Wilcoxon 秩和检验、卡方检验等方法筛选潜在风险因素，再通过单因素和多因素 logistic 回归确定独立风险因素。同时，运用随机森林（Random Forest，RF）、支持向量机（Support Vector Machine，SVM）等机器学习算法构建预测模型，并进行性能评估。
研究结果如下：
- 两组患者术前数据比较：CR-POPF 组与非 CR-POPF 组在性别、糖尿病、高血压等多方面无显著差异，但 CR-POPF 组的 BMI、血小板计数、单核细胞计数、总胆红素、AST、ALT 更高，白蛋白水平更低。
- 两组患者术中数据比较：两组在胰腺导管直径、手术时间、术中失血方面无显著差异。然而，CR-POPF 组软胰腺质地和壶腹癌的比例更高。
- CR-POPF 的风险因素：logistic 分析：多因素 logistic 回归显示，软胰腺质地是 CR-POPF 的独立危险因素（OR=4.99，95% CI：1.93 - 12.86），其他一些因素虽 OR 值大于 1，但未达到统计学意义。
- CR-POPF 的预测模型分析：研究构建了 5 个候选模型，使用 4 种机器学习算法进行预测。在训练数据集上，RF 模型表现最佳；在验证数据集上，Model 4（包含年龄、性别、BMI 等术前变量）的 RF 模型 AUC 为 0.747，敏感性为 0.917，特异性为 0.574。
研究结论和讨论部分指出，该研究揭示了 LPD 后 CR-POPF 的发生率为 16.2%。软胰腺质地是 CR-POPF 的核心风险因素，这与开腹胰十二指肠切除术的研究结果一致，但部分传统风险因素在 LPD 中未显示独立预测价值。研究还发现了一些新的术前预测指标，如外周血单核细胞比例和血小板计数。机器学习算法在预测 CR-POPF 方面优于传统 logistic 回归模型，其随机森林模型仅依赖术前变量，临床适用性强。不过，该模型仍存在局限性，如特异性较低，模型的泛化性和准确性有待进一步提高。未来，需开展多中心前瞻性研究，整合新兴技术，优化模型性能，以更好地服务于临床实践，让更多患者受益。
