基于LightGBM算法的二尖瓣手术输血风险预测模型：一项多中心回顾性队列研究

本研究针对二尖瓣手术患者红细胞(RBC)输血需求预测难题，通过多中心回顾性队列分析1477例患者数据，采用mRMR特征选择方法和LightGBM机器学习算法，构建出AUC达0.935的预测模型。研究筛选出包括血细胞比容(Hct)、红细胞计数(RBC)等10个关键术前变量，在验证集中保持74.2%准确率，为临床输血决策提供智能化工具，对优化血液资源管理具有重要意义。

　　

在全球范围内，心脏瓣膜疾病已成为心血管疾病发病和死亡的主要原因，其中二尖瓣病变占比高达15%。虽然二尖瓣手术能显著改善患者预后，但围术期常面临严重凝血功能障碍和失血问题，使得红细胞(RBC)输血成为关键治疗手段。然而当前临床实践中，输血决策往往仅依据血红蛋白(Hb)水平这一单一指标，缺乏系统化评估工具。更严峻的是，全球献血率持续下降——美国献血率已从1992年的88‰降至现今55%，这种"血荒"危机使得精准预测输血需求变得尤为迫切。

传统预测模型多依赖术中指标如体外循环(CPB)时长，但输血预案需在术前制定，这种时相错位严重限制了临床实用性。为此，中国八家三甲医院联合开展这项创新研究，首次将机器学习技术应用于二尖瓣手术输血风险预测领域。研究团队收集了1477例接受二尖瓣手术患者的30项术前指标，通过最大相关最小冗余(mRMR)算法筛选关键特征，并系统比较了包括LightGBM、XGBoost等七种机器学习模型的预测效能。

研究采用多中心回顾性队列设计，数据来自2016-2018年间八家医院的1477例二尖瓣手术患者，排除合并其他心脏手术病例以确保数据同质性。通过mRMR特征选择从30个术前变量中筛选预测因子，采用包括LightGBM在内的多种机器学习算法建模，并通过五折交叉验证评估模型性能。最终使用SHAP方法解释模型预测机制，并在35例前瞻性数据中验证实用性。

关键变量筛选

mRMR算法从30个候选变量中识别出10个最具预测价值的术前指标：血细胞比容(Hct)、红细胞计数(RBC)、体重、体重指数(BMI)、纤维蛋白原(FIB)、血红蛋白(Hb)、身高、年龄、左心室扩张和性别。其中Hct展现出最强的预测力，单变量即可改变输血概率达12个百分点。值得注意的是，较低BMI与较高输血风险相关，这可能与低BMI患者更易出现低纤维蛋白原血症有关。

模型性能比较

在七种候选模型中，LightGBM表现最为突出：训练集AUC达0.935(95%CI 0.927-0.942)，准确率86.3%；验证集AUC保持0.734(95%CI 0.697-0.771)。

模型解释性

SHAP分析揭示了各变量的非线性影响模式：

典型病例分析显示，体重47kg、身高150cm、RBC 3.72×10¹²/L的患者输血概率高达80.9%。

前瞻性验证

在35例前瞻性数据中，模型准确率达74.2%。误判病例分析发现，多数假阴性患者存在术中急性失血(>500mL)，而假阳性患者往往接受了术前输血或血浆输注，这提示模型可识别潜在高危患者。

这项发表在《Scientific Reports》的研究建立了首个针对二尖瓣手术的机器学习输血预测模型，其创新价值体现在三方面：一是首次将LightGBM算法应用于该领域，克服了传统统计方法处理复杂非线性关系的局限；二是通过SHAP解释技术使"黑箱"模型透明化，识别出左心室扩张等既往忽视的重要预测因子；三是模型仅需术前常规指标即可实现精准预测，便于临床推广。

从临床实践角度看，该模型使医生能在术前准确识别高风险患者，提前采取促红细胞生成素、铁剂补充等干预措施。对于低风险患者，则可避免不必要的备血，既降低医疗成本又减轻患者负担。特别是在当前全球血液供应紧张的背景下，这种精准预测工具对优化血液资源配置具有重要公共卫生意义。

研究也存在一定局限：采用限制性输血策略(血红蛋白<7g/dL)可能影响模型在其他输血阈值医院的适用性；样本量相对有限，未来需更大规模验证；未纳入抗纤溶药物使用等可能影响输血需求的治疗因素。作者指出，下一步将基于该研究开发临床评分系统，实现电子病历数据自动提取和实时预测，进一步提升工具的临床实用性。