机器学习联合动态数字化随访：助力精准预测减重手术术后并发症

传统风险模型（如 POSSUM 和 OS-MS）预测减重手术术后并发症的准确性有限。来自圣皮埃尔大学医院的研究人员开展了基于机器学习（ML）的预测模型研究。结果显示，术后模型性能更优。这一研究改善了风险分层，有助于早期检测并发症 。

　　背景：传统的风险模型，比如 POSSUM 和 OS-MS，在预测减重手术（bariatric surgery）后的并发症方面准确性有限。机器学习（Machine Learning，ML）通过融入人工智能（Artificial Intelligence，AI），为个性化风险评估带来了新机遇。本研究旨在开发并评估两种基于 ML 的模型：一种利用术前临床数据，另一种整合来自移动应用程序的术后数据。
方法：在圣皮埃尔大学医院对 104 名接受减重手术的患者进行前瞻性研究（2022 年 9 月 - 2023 年 7 月）。患者使用 “Care4Today” 移动应用程序进行术后实时监测。运用 ML 算法分析数据，并通过交叉验证、准确率、F₁分数和受试者工作特征曲线下面积（AUC）评估模型性能。术前模型使用人口统计学和手术数据，术后模型纳入症状和移动应用程序生成的警报信息。
结果：共纳入 104 名患者。采用极端线性判别分析的术前模型，准确率达到 75%，AUC 为 64.7%。采用监督逻辑回归并选取 6 个特征的术后模型性能有所提升，准确率为 77.4%，AUC 为 71.5%。还开发了用于临床应用的用户界面。
结论：基于 ML 的预测模型，尤其是整合动态术后数据的模型，改善了减重手术的风险分层。实时移动健康监测有助于早期发现并发症，提供了一种超越传统静态风险模型的个性化、适应性强的方法。不过，未来还需使用更大的数据集进行验证，以确认其普适性。