基于机器学习的腰椎术后高医疗资源消耗风险预测模型构建与验证

本研究针对腰椎手术患者术后90天高医疗资源消耗（healthcare utilization）的预测难题，开发了基于随机森林（Random Forest）的机器学习模型。通过分析10,128例腰椎减压术和2,890例腰椎融合术患者数据，模型AUROC分别达0.766和0.727，显著优于ASA基准。研究发现术前阿片类药物（opioid）、苯二氮卓类（benzodiazepine）和神经调节剂（neuromodulator）使用是核心预测因子，为临床决策提供了量化工具。

　　

在医疗成本持续攀升的背景下，腰椎手术作为脊柱领域的高频术式，其术后资源消耗问题日益凸显。美国数据显示，10%的慢性腰痛患者消耗了87%的急诊费用，而传统评估体系如ASA评分难以精准预测个体化风险。这一痛点催生了西北大学团队开展的本项研究——通过机器学习（ML）算法构建腰椎术后90天高医疗资源消耗的预测模型。

研究团队采用多模态数据挖掘技术，从2002-2022年单中心数据库中提取13,018例手术案例（含10,128例减压术和2,890例融合术）。通过系统采集患者人口统计学、术前用药史（含阿片类/苯二氮卓类/神经调节剂）、手术指征等46项特征，创新性地采用SHAP（Shapley Additive Explanations）值解析变量贡献度。关键技术包括：1）基于CPT/ICD编码的病例筛选；2）随机森林模型优化；3）90天复合终点指标（含门诊复诊/急诊就诊/影像检查等）量化。

【结果】

1. 模型性能：随机森林在减压术和融合术队列分别取得0.766和0.727的AUROC（Area Under Receiver Operating Characteristic），显著超越ASA模型（p<0.01）。
2. 特征重要性：减压术前三预测因子为术前腰椎管狭窄（lumbar stenosis）、苯二氮卓类和神经调节剂使用；融合术队列则为阿片类药物、神经调节剂和苯二氮卓类。
3. 跨域关联：除药物因素外，患者年龄（融合术组平均60.8±13.2岁）、手术指征（如退行性病变）等均影响预测。

【讨论】
该研究首次实现机器学习在腰椎术后资源消耗预测中的临床转化。模型通过量化术前可干预因素（如神经调节剂使用），为价值医疗（value-based care）提供决策支持。值得注意的是，苯二氮卓类在两类手术中均位列前三预测因子，提示精神类药物管理可能成为降低医疗支出的新靶点。研究局限性在于单中心数据来源，未来需通过多中心验证提升普适性。论文发表于《Journal of Clinical Neuroscience》，为智能骨科（Smart Orthopedics）发展提供了范式。