基于机器学习的血管内主髂动脉血运重建术后30天不良结局预测研究

本研究针对主髂动脉闭塞性疾病(AIOD)血管内血运重建术后风险预测工具缺乏的临床难题，开发了基于XGBoost算法的机器学习模型。研究人员利用美国外科医师学会国家手术质量改进计划(NSQIP)数据库6601例患者数据，构建了预测30天主要不良肢体事件(MALE)或死亡的模型，其曲线下面积(AUROC)达0.94，显著优于传统逻辑回归(0.74)。该研究为AIOD患者术前风险评估提供了自动化精准工具，对改善临床决策具有重要意义。

　　

在多学科交叉融合的医疗技术革新浪潮中，血管外科领域正面临一个亟待解决的临床困境：尽管血管内主髂动脉血运重建术已成为外周动脉疾病(PAD)的主流治疗方式，但术后30天内高达7.1%的主要不良肢体事件(MALE)或死亡率仍令人担忧。更棘手的是，现有风险评估工具如血管质量倡议心脏风险指数(VQI CRI)仅适用于开放手术，而美国外科医师学会(ACS)的NSQIP在线计算器需要手动输入繁杂参数，在快节奏的临床环境中实用性受限。这种预测工具的缺失使得医生难以为AIOD患者提供个性化的治疗方案选择，也无法有效识别高风险患者进行术前优化。

针对这一临床痛点，加拿大多伦多大学(University of Toronto)联合沙特阿拉伯国王大学(King Saud University)等机构的研究团队开展了一项突破性研究。研究人员创新性地应用机器学习(ML)技术，开发出能够自动预测血管内主髂动脉血运重建术后30天结局的算法模型。这项发表在《npj Digital Medicine》的重要成果，标志着血管外科风险预测正式迈入人工智能时代。

研究团队采用多中心回顾性队列设计，关键技术方法包括：1)从NSQIP靶向血管数据库中筛选2011-2021年间6601例血管内主髂动脉血运重建患者；2)提取37项术前人口统计学和临床变量作为特征；3)采用10折交叉验证训练6种ML模型；4)通过随机过采样(ROSE)解决类别不平衡问题；5)使用AUROC、Brier评分等指标评估模型性能。

患者与事件

研究纳入标准严格，排除了动脉瘤、急性肢体缺血等非动脉粥样硬化病例。在最终6601例患者中，470例(7.1%)发生30天MALE或死亡。次要终点分析显示，主要血管再干预(3.7%)、未治疗的通畅丧失(1.0%)和主要截肢(1.7%)构成MALE的主要组分，而死亡(2.0%)和主要不良心血管事件(MACE，4.8%)也是重要结局指标。

术前特征

通过对比分析发现，发生不良结局的患者具有显著不同的临床特征：平均年龄更大(67.5 vs 65.9岁，p=0.002)，更多依赖透析(8.7% vs 2.9%，p<0.001)，功能状态更差(完全依赖1.1% vs 0.2%，p<0.001)，且慢性肢体威胁性缺血(CLTI)比例更高(70.4% vs 35.3%，p<0.001)。值得注意的是，尽管高风险患者心血管合并症更多，但他们接受他汀类(65.1% vs 72.1%，p=0.001)或抗血小板药物(74.9% vs 80.1%，p=0.008)的比例反而更低。

模型性能

在六种测试的ML算法中，XGBoost表现最优，预测30天MALE或死亡的AUROC达0.94(95%CI 0.93-0.95)，显著优于随机森林(0.92)、径向基支持向量机(0.90)和逻辑回归(0.74)。模型校准优良，Brier评分为0.08。对次要终点的预测同样出色，如死亡(AUROC 0.97)和主要截肢(AUROC 0.97)。

变量重要性

XGBoost模型识别出十大预测因子：1)CLTI；2)功能状态；3)≥1项高风险生理因素；4)术前透析；5)充血性心力衰竭(CHF)；6)从他院转入；7)手术紧迫性；8)糖尿病；9)更远端的血运重建；10)未使用他汀类药物。这些发现为临床识别高风险患者提供了明确指标。

这项研究通过大规模真实世界数据验证了ML在血管外科预后预测中的卓越价值。XGBoost算法捕捉非线性关系的能力使其显著超越传统统计方法，而模型在人口学和临床各亚组中保持的稳健性能(AUROC 0.92-0.95)则消除了对算法偏倚的担忧。研究不仅提供了可直接集成到电子病历系统的开源代码，更重要的是揭示了CLTI患者和功能状态差人群的特殊风险，为术前优化提供了明确靶点。

该成果的临床转化将改变AIOD治疗决策范式：高风险患者可考虑替代方案如单纯药物治疗或密切监测，中低风险患者则可能更适合血管内干预。对于必须手术的高危患者，模型预测可指导加强围术期监护和出院计划。随着精准医疗时代的到来，这项研究为血管外科领域提供了一把打开个性化治疗之门的钥匙，其方法论框架也可拓展至其他血管介入手术的预后预测。