机器学习算法预测开颅手术中动脉血氧分压(paO2)的临床应用研究

本研究针对神经外科手术中动脉血氧分压(paO2)监测的临床需求，开发了基于机器学习的预测模型。研究人员通过分析4,581例肺功能正常患者的17,821组围手术期数据，比较了六种监督学习算法的预测性能。结果显示，随机梯度下降线性模型(SGD)表现最优，预测paO2的调整R2达0.77，平均绝对百分比误差(MAPE)为16%。该研究首次实现了术中paO2的准连续监测，为预防高氧血症提供了新工具。

　　

在神经外科手术中，脑组织对缺氧的敏感性使得氧合监测至关重要。然而传统动脉血气分析(ABG)存在侵入性强、间断测量的局限，而现有非侵入性替代指标如SpO₂/FiO₂比值或肺泡气体方程(pAO₂)预测精度不足。更棘手的是，临床实践中约80%全麻患者存在氧过量供给风险，但高氧血症的潜在危害尚未形成共识。这种监测手段与临床需求间的矛盾，促使慕尼黑大学医院团队开展这项开创性研究。

研究人员从2008-2019年4,581例开颅手术患者中提取17,821组围手术期数据，采用递归特征消除(RFE)筛选5-22个关键特征。通过五折分组交叉验证比较六种机器学习算法，最终选择表现最优的随机梯度下降线性模型(SGD)。技术方法上，研究整合了麻醉信息管理系统与医院信息系统的多源数据，采用SHAP值分析特征重要性，并通过Bland-Altman图评估预测一致性。所有算法均采用0-1归一化处理，以组交叉验证避免数据泄漏。

特征选择与模型比较

递归特征消除确定FiO₂、年龄、BMI等核心特征。基础模型中，SGD已展现优势（ρ=0.82），调参后性能进一步提升：调整R²达0.77，MAPE降至16%。

预测性能验证

Bland-Altman图显示平均偏差仅-0.24mmHg，但高paO₂区间误差增大。

分箱分析显示模型在100-450mmHg区间预测稳定，但对极端值存在高估或低估倾向。

关键特征解析

SHAP值揭示paO₂、年龄、BMI贡献度最高，呼吸顺应性与Gadrey公式推算值次之。

加入首次p/F比值校准后，模型性能显著提升（ρ=0.90），证实肺功能个体化参数的重要性。

这项发表于《BMC Medical Informatics and Decision Making》的研究具有双重突破：方法学上，首次证明机器学习可准确预测术中paO₂动态变化，克服传统公式的局限性；临床上，为高氧血症的实时防控提供可行方案。尽管在极端值区间存在局限，但考虑到低氧状态可通过脉搏血氧仪监测，该模型在主要临床区间（100-450mmHg）的优异表现更具实用价值。Andrea S. Gutmann等作者强调，未来需在肺疾病患者中验证模型普适性，并探索其与术后并发症的关联。这项研究为围手术期精准氧疗奠定了技术基础，也为机器学习在生理参数预测中的应用树立了新范式。