综述：初次与翻修全膝关节置换术后血液、血清及组织中金属浓度的系统评价

这篇综述创新性地运用机器学习（ML）模型（包括ANN、RF、KNN和XGBoost）预测全膝关节置换术（TKA）患者的住院时长（LOS），成功识别当日出院（SDD）候选者（准确率90.3%）及延长LOS高风险人群（AUC 0.97），为优化资源分配和降低医疗成本提供数据驱动决策支持。

　　

引言

全膝关节置换术（TKA）是美国最常见的骨科手术之一，年手术量超百万例。随着人口老龄化，预计到2040年手术量将增长129%，给医疗系统带来巨大压力。为缓解负担，当日出院（SDD）TKA因其安全性和成本优势逐渐普及，但7-49%的患者未能按计划实现SDD。如何精准筛选适合SDD的患者，同时识别延长住院时长（LOS）的高风险人群，成为临床亟待解决的问题。

方法

研究团队从美国外科医师学会国家手术质量改进计划（ACS-NSQIP）数据库中提取2017-2023年167,859例初次TKA病例，将LOS分为三组：当日出院（0天）、1-3天出院和延长LOS（>3天）。采用四种机器学习模型（人工神经网络ANN、随机森林RF、K近邻KNN和XGBoost）进行多分类预测，通过精确率、召回率、Cohen’s kappa和AUC等指标评估性能。

结果

数据显示，SDD成功率为2.1%，1-3天出院占88.1%，延长LOS达9.8%。随机森林（RF）表现最优：多分类准确率90.3%，kappa值0.85，微观平均AUC达0.97。关键预测因子包括麻醉类型、性别、体重指数（BMI）、美国麻醉医师协会评分（ASA）、高血压、年龄和手术时间。

讨论

该研究首次建立高精度的ML模型，可同时解决SDD候选者筛选与延长LOS风险预警两大难题。RF模型对医疗资源分配的指导价值尤为突出——既能避免SDD失败导致的成本浪费，又能提前干预高风险患者。值得注意的是，非医疗因素如麻醉方式（区域麻醉更利于SDD）和BMI的影响远超传统认知，这为术前评估提供了新视角。

展望

未来可结合实时电子健康记录（EHR）数据动态优化模型，并探索深度学习在复杂并发症预测中的应用。研究局限性在于NSQIP数据库未包含部分社会经济学指标，后续需纳入医保类型、家庭支持等变量以提升预测维度。