开放腹侧疝修补术后机器学习预测模型的公平性评估与临床意义

为解决开放腹侧疝修补术(VHR)后患者再入院预测中存在的公平性问题，研究人员开发了基于XGBoost的机器学习模型，通过NSQIP数据库(2018-2021)纳入59,482例患者，采用五折交叉验证和SHAP解释技术，发现模型AUC达0.72且不同人口统计学组间性能差异微小，为临床决策提供了无偏见的预测工具。

　　

这项开创性研究将机器学习公平性理念引入腹侧疝修补术(VHR)预后评估领域。科研团队从美国外科质量改进计划(NSQIP)数据库中提取2018至2021年间接受开放VHR手术的患者数据，构建了基于极端梯度提升(XGBoost)算法的预测模型，重点监测术后30天内非计划性再入院风险。

研究采用五折交叉验证确保模型稳健性，最终纳入59,482例患者数据集，整体再发生率为5.5%。模型展现出优异性能：曲线下面积(AUC)0.72，Brier评分0.16。更引人注目的是，通过性别(女性/男性)、族裔(西班牙裔/非西班牙裔)和种族(非白人/白人)等多维度公平性评估，证实预测偏差微乎其微。

借助沙普利加和解释(SHAP)技术，研究者揭示了跨人群一致的关键预测因子：术后住院时长、并发症发生概率以及手术持续时间。这些发现不仅证实了模型的临床适用性，更首次在疝修补领域验证了机器学习算法的公平性。

该研究为外科预后预测树立了新范式，强调未来人工智能医疗模型必须同步开展性能优化与公平性验证。通过可解释AI技术的创新应用，为消除医疗算法偏见提供了可复制的技术路线，对推动精准医疗的平等化发展具有里程碑意义。