机器学习预测下肢肿瘤切除与假体重建术后早期再手术风险：PARITY试验的二次分析

本研究针对恶性骨肿瘤切除联合假体重建术后高并发症率及再手术风险，利用PARITY试验数据开发机器学习模型预测一年内再手术风险。研究人员采用逻辑回归(LR)、随机森林等五种算法，基于54项临床特征构建预测模型，结果显示梯度提升(Gradient Boosting)模型性能最优（AUROC=0.817），识别出手术部位感染(SSI)、手术时间等关键风险因素。该研究为高风险患者的术前评估提供了精准预测工具，对改善骨肿瘤保肢手术预后具有重要意义。

　　

恶性骨肿瘤的治疗一直是骨科肿瘤领域的重大挑战，尤其是下肢肿瘤的保肢手术。尽管广泛切除联合假体重建技术显著提高了患者生存质量，但术后并发症率居高不下——约25.7%的患者在一年内需再次手术，其中31.4%的再手术为清创操作。这种高再手术率不仅增加患者痛苦，更对已接受放化疗的免疫抑制患者构成生命威胁。传统统计方法虽能识别部分风险因素，但难以捕捉临床特征间的复杂交互作用。

为突破这一局限，Nicole J. Newman-Hung等研究者依托国际多中心PARITY试验（涉及12国48个中心的604例手术数据），首次将机器学习(ML)应用于该领域。研究团队筛选54项临床特征（包括人口统计学、肿瘤特性及手术细节），通过五折交叉验证比较五种算法性能。梯度提升模型展现出最优预测能力：其受试者工作特征曲线下面积(AUROC)达0.817，精准召回曲线下面积(AUPRC)为0.690，显著优于传统逻辑回归（AUROC 0.783）。模型识别出手术部位感染(SSI)是最强预测因子，其单因素贡献度达0.5755，印证了感染控制在此类手术中的核心地位。其他重要预测因素包括手术时间（每增加10分钟风险上升）、白人种族、女性性别及负压伤口治疗(NPWT)使用——后者可能反映复杂创面的高风险特征。

关键技术方法包括：1）利用PARITY试验前瞻性收集的604例下肢假体重建数据；2）采用五种机器学习算法（逻辑回归、随机森林、AdaBoost、梯度提升和XGBoost）构建预测模型；3）通过五折分层交叉验证评估性能；4）使用部分依赖函数分析特征重要性。

主要研究结果：

模型性能与校准：梯度提升模型在保持良好校准性（校准斜率1.15）的同时，其Brier评分（0.130）较零模型（0.193）降低32.6%，显示临床实用价值。

特征重要性分析：除SSI外，非感染性因素如骨巨细胞瘤（贡献度0.022）和术前阿片类药物使用（0.0286）等非传统风险因素被识别，为术前优化提供新方向。

与传统研究对比：该模型验证了既往发现的NPWT与手术时间的关联，但首次揭示种族和性别差异可能影响预后，这需要后续研究验证其生物学或社会经济学机制。

结论部分强调，该研究建立了首个经多中心数据验证的再手术预测工具，其创新性在于：1）突破传统统计方法的线性假设限制，通过ML捕捉特征间非线性关系；2）将预测准确性量化为临床可操作的评分；3）为高风险患者的术前知情同意提供客观依据。值得注意的是，SSI作为最强可干预因素，提示围手术期感染防控仍是降低再手术率的首要靶点。论文发表于《Journal of Orthopaedic Surgery and Research》，为骨科肿瘤精准医疗实践树立了新范式。