编辑推荐：
尿路结石（Urolithiasis）严重影响健康，输尿管镜碎石术（fURSL）效果受多种因素影响。研究人员利用 FLEXOR 数据库开展机器学习（ML）预测 fURSL 结果的研究，发现多种因素与手术结局相关。该研究为精准医疗提供依据，助力提升治疗效果。
在医学领域，尿路结石（Urolithiasis）一直是个让人头疼的问题。它如同隐藏在泌尿系统里的 “小恶魔”，每年都在全球范围内折磨着数百万患者，不仅带来剧烈疼痛，还可能悄悄损害肾脏，导致频繁住院。输尿管镜碎石术（fURSL）作为治疗尿路结石的微创 “利器”，本应大显身手，可现实却不尽人意。由于结石的大小、位置，患者的身体状况、解剖结构等众多因素干扰，手术效果差异很大。而且，手术并发症，比如输尿管损伤、感染、结石残留等，时刻威胁着患者的安全，让医生们倍感压力。
以往，医生主要依靠自身经验、患者病史和基本的影像学检查来预测手术成功率和风险。但这些方法就像蒙着一层雾，缺乏足够的精准度，导致治疗效果参差不齐，患者安全也得不到充分保障。随着科技飞速发展，机器学习（ML）这股新力量在医学领域崭露头角。它就像拥有 “超能力” 一样，能从海量数据中挖掘出隐藏的信息，为疾病诊断、治疗方案制定提供更精准的依据。在这样的背景下，为了攻克尿路结石治疗的难题，来自多个国家、多个研究机构的研究人员展开了一场 “科研攻坚战”。他们依托 FLEXOR 这个大型国际多中心数据库，对 2015 - 2023 年接受 fURSL 治疗的 6669 名患者的数据进行深入挖掘，最终在《World Journal of Urology》上发表了研究成果。
研究人员开展的这项研究，主要用到了以下关键技术方法：首先是数据收集与整理，从 FLEXOR 数据库提取患者术前、术中、术后的各类详细信息；然后进行数据清洗和预处理，去除干扰信息；接着运用 16 种 ML 算法进行训练，构建多任务人工神经网络（ANN）；最后利用可解释人工智能（XAI）技术剖析模型预测结果 。
下面来看看具体的研究结果：
- 术后引流需求预测：Extra Tree Classifier 算法表现最佳，准确率达 80.97% 。坦索罗辛（Tamsulosin）的使用、结石数量、位置和直径、术前肌酐升高、术前疼痛、Moses 技术、异常解剖结构以及使用一次性或光纤镜等因素，都与术后引流需求相关。
- 残留结石预测：Extra Tree Classifier 算法预测残留结石（FRs）效果最好，准确率 81.10% 。年龄、术前血尿、术前肌酐升高、术前发热、尿培养阳性、结石数量、直径、下极结石、Moses 技术和组织纤溶酶原激活剂（TFL）的使用等，都与残留结石的发生有关。XAI 结果显示，TFL 和数字镜的使用与无结石残留有很强的相关性。
- 术中并发症预测：随机森林（Random Forest）算法预测肾盂肾盏系统（PCS）损伤最准确，准确率 97.73% ；XGBoost 算法预测输尿管损伤的准确率达 96.88% 。数字镜使用、TFL、结石位置和结石负荷等，是 PCS 和输尿管损伤风险的重要影响因素。
- 术后并发症预测：Extra Tree Classifier 算法预测术后发热效果最佳，准确率 91.34% ；CatBoost Classifier 算法预测术后败血症的准确率高达 99.01% 。TFL、可重复使用的镜子、结石特征与术后发热相关；结石直径、肾盂结石和光纤镜的使用与败血症相关。
- 当日出院预测：Gradient Boost 算法在预测当日出院方面表现最优，准确率 83.85% 。镜子类型、UAS 的使用和类型、坦索罗辛的使用是关键预测特征。当日出院与患者人口统计学和术前特征呈弱负相关，与 Moses 纤维呈中度负相关，与可重复使用的镜子和光纤镜呈强负相关，与 TFL 和吸引式 UAS 呈弱正相关。
- 再次干预需求预测：随机森林算法预测再次干预需求的准确率为 88.49% 。镜子类型、激光类型和结石直径是关键预测特征。结石直径、肌酐升高、多发结石、肾盂或下极结石与再次干预呈正相关；疼痛、患者性别、使用数字 / 一次性镜子、TFL、发热、术前尿培养阳性和坦索罗辛的使用与再次干预呈负相关。
研究结论和讨论部分意义重大。研究表明，ML 是预测手术结果和风险的有效工具，能精准分析术前和术中因素，预测并发症。像 CatBoost Classifier 算法在预测术后败血症方面，准确率高达 99% ，为临床预防和治疗提供了有力依据。XAI 技术则让 “黑箱” 般的 ML 模型变得透明，清晰展示影响手术结果的关键因素，帮助医生更好地理解模型预测，做出更科学的决策。此外，研究还发现术前尿培养阳性与术后发热、败血症密切相关，这提示医生在术前一定要重视感染控制和患者准备。同时，结石特征和手术器械选择与结石残留、再次干预密切相关，为未来开发基于 ML 的风险和结果预测评分系统指明了方向。虽然研究存在回顾性设计、多中心操作技术和器械差异等局限性，但也反映了真实临床情况。未来，还需进一步优化 ML 模型，结合实时术中数据，提高预测准确性，评估预测模型对患者结局、医疗成本和满意度的长期影响，让这项研究成果更好地服务于临床实践，为尿路结石患者带来更多希望 。
