基于超声影像的机器学习模型预测胃容量：一项多中心研究的发展与验证

本研究开发并验证了基于超声和临床特征的机器学习（ML）预测模型，用于准确评估胃容量（GV）。通过LASSO回归筛选出年龄、右侧卧位胃窦横截面积（RLD-CSA）和Perlas分级三个关键变量，构建的ML模型（如Adaboost和线性回归）在内部和外部验证中均显著优于传统Perlas模型（AUC: 0.85-0.94 vs. 0.74），为围术期误吸风险分层提供了更可靠的客观工具。

　　

Main results

在793名入组患者中，高胃容量患者的数量和比例分别为：开发队列23人（5.5%）、内部验证队列10人（5.6%）和外部验证队列3人（1.5%）。研究通过LASSO回归筛选出年龄、右侧卧位胃窦横截面积（RLD-CSA）和Perlas分级这三个变量，并据此开发了八个机器学习模型。内部验证的Bland-Altman分析显示，Perlas模型高估了胃容量（平均偏差23.5 mL），而新模型则提供了精确估计（平均偏差-0.1至2.0 mL）。这些模型显著提升了对中高胃容量（曲线下面积[AUC]：0.74–0.77 vs. 0.63）和高胃容量（AUC：0.85–0.94 vs. 0.74）的预测能力。表现最佳的自适应增强（Adaboost）和线性回归（Linear Regression）模型经过外部验证，对于中高胃容量的AUC分别为0.81（95%置信区间[CI]，0.74–0.89）和0.80（95%CI，0.72–0.89），对于高胃容量的AUC则均为0.96（95%CI，0.91–1和0.89–1）。

Conclusions

我们提出了一种新颖的基于机器学习（ML）的预测模型，它通过整合年龄、RLD-CSA和Perlas分级这些关键特征，能够准确预测胃容量，其性能超越了传统的Perlas模型。