基于机器学习的老年无痛胃镜检查患者低氧血症预测模型构建与验证

针对老年患者无痛胃镜检查中低氧血症风险预测工具缺乏的问题，遵义医科大学附属医院团队通过机器学习算法分析984例患者临床数据，构建了包含基线SpO2、BMI等8个关键特征的随机森林(RF)预测模型(AUROC=0.914)。该研究为临床麻醉决策提供了精准的AI辅助工具，对降低老年患者检查风险具有重要意义。

　　

随着中国消化内镜诊疗需求激增，无痛胃镜检查量预计2030年将达5100万人次。然而这种舒适化医疗背后隐藏着1.8%-69%的低氧血症风险，老年患者更因年龄成为独立危险因素。传统预测依赖临床经验量表，面对复杂病例时捉襟见肘。遵义医科大学附属医院麻醉科团队在《Scientific Reports》发表的研究，为这一临床困境带来了突破性解决方案。

研究团队采用多中心回顾性队列设计，纳入984例50-85岁ASA I-III级患者数据建立模型，364例外部验证。通过BorutaShap算法从26个特征中筛选关键变量，应用SMOTE处理数据不平衡，采用10折交叉验证比较LR、SVM、RF等5种算法性能，最终通过SHAP值解析模型决策机制。

临床数据特征分析显示，低氧血症组与非低氧血症组在BMI(25.4 vs 22.3 kg·m^-2)、基线SpO₂(97% vs 98%)等指标存在显著差异。BorutaShap特征选择鉴定出8个核心预测因子：胃镜操作时间、基线SpO₂、BMI、依托咪酯-丙泊酚混合诱导剂量、追加麻醉、小颌畸形、术中咳嗽和反复咽部刺激。其中术前基线SpO₂呈负相关，其余均为正相关。

模型性能验证方面，随机森林(RF)在内部测试集表现最优(AUROC=0.914，AUPRC=0.721)，外部验证集AUROC保持0.848。其预测精度显著优于既往研究(Geng等模型AUROC 0.76)。SHAP分析揭示，胃镜操作时间每增加1分钟、BMI>28 kg·m^-2或基线SpO₂<98%时，低氧风险急剧升高。特别值得注意的是，小颌畸形患者的风险贡献度达41.7%，是普通患者的6.3倍。

该研究创新性地建立了首个针对老年无痛胃镜的机器学习预测模型。相比传统方法，其优势体现在三方面：一是整合术前评估(如气道解剖)与术中动态指标(如药物追加)；二是通过SHAP实现可视化风险解析，例如显示BMI与操作时间的交互效应；三是验证了RF算法在医疗小样本中的卓越泛化能力。临床转化后，该模型可辅助麻醉医师在检查前识别高风险患者，针对性加强氧疗或调整麻醉方案。

研究也存在一定局限：麻醉方案限定依托咪酯-丙泊酚混合诱导，可能影响模型在其他用药方案中的适用性；外部验证仅来自同一省份另一医院。未来需开展多中心前瞻性研究进一步优化。但毋庸置疑，这项工作为老年患者舒适化医疗的安全保障树立了新标杆，也为AI在围术期医学的应用提供了范式参考。