基于机器学习的食管闭锁术后难治性狭窄早期预测模型构建与临床决策支持系统开发

来自某机构的研究人员针对食管闭锁(EA)术后难治性狭窄(RES)这一临床难题，通过回顾性分析92例患者数据，采用机器学习(ML)方法构建预测模型。研究发现LGEA、吻合口漏、下段狭窄、偏心性狭窄及较高U-SI值是RES独立危险因素，随机森林(RF)模型表现最佳(AUC=0.756)，并开发了可视化决策支持系统，为临床早期干预提供新工具。

　　

食管闭锁(Esophageal Atresia, EA)术后难治性狭窄(Refractory Esophageal Stricture, RES)堪称临床医生的"心头大患"。这项研究犹如在医学迷宫点亮明灯，通过机器学习(Machine Learning, ML)这把"智能钥匙"，为早期识别高风险患者开辟新路径。

研究团队对2017-2022年间接受内镜球囊扩张(Endoscopic Balloon Dilation, EBD)的92例患儿展开深度"数据掘金"，其中RES组59例与非RES组33例形成鲜明对比。多因素分析揭示：长段型食管闭锁(Long Gap Esophageal Atresia, LGEA)和吻合口漏就像两个危险的"红色警报"，分别以p=0.021和p=0.016的显著性拉响预警。更有趣的是，狭窄特征分析发现，位于食管下2/3的"地理定位"(p=0.006)、偏心性狭窄的"奇特造型"(p=0.048)，以及上段狭窄指数(Upper pouch Stricture Index, U-SI)这个"数字密码"(p=0.011)，共同构成了RES的"特征指纹"。

研究人员巧妙运用决策树(DET)、随机森林(RF)和多层感知机(MLP)等算法搭建"预测工厂"。其中RF模型以训练集AUC=0.756(95%CI:0.584-0.928)的优异成绩脱颖而出，SHAP分析则像"X光机"般透视出U-SI、复发性气管食管瘘(rTEF)、狭窄平面和吻合口漏这四大"关键先生"。最终研发的临床决策支持系统，犹如给医生配备了"智能导航仪"，通过动态可视化实现精准预测。

这项研究不仅为EA术后管理提供了"风险雷达"，更开创性地将机器学习与临床决策深度融合，让精准医疗在小儿外科领域绽放异彩。