《Frontiers in Neurology》：Explainable machine learning–based prediction of postoperative pulmonary infection after aneurysmal subarachnoid hemorrhage clipping and exploratory analysis of enteral nutrition timing: a dual-cohort retrospective study
编辑推荐：
中文摘要翻译：
背景：术后肺部感染（postoperative pulmonary infection, PPI）是动脉瘤性蛛网膜下腔出血（aneurysmal subarachnoid hemorrhage, aSAH）显微手术夹闭术后常见并发症，与恢复受损
中文摘要翻译：
背景：术后肺部感染（postoperative pulmonary infection, PPI）是动脉瘤性蛛网膜下腔出血（aneurysmal subarachnoid hemorrhage, aSAH）显微手术夹闭术后常见并发症，与恢复受损及医院资源消耗增加相关。
目的：开发并时间验证一个可解释的机器学习模型用于PPI风险分层，并探索肠内营养（enteral nutrition, EN）启动时机与随后PPI风险之间的关联。
方法：这项双队列回顾性研究按照个体预后或诊断多变量预测模型透明报告联合人工智能（TRIPOD+AI）原则进行报告。采用最小绝对收缩与选择算子（least absolute shrinkage and selection operator, LASSO）回归和随机森林重要性策略联合筛选候选预测变量。开发了九种机器学习算法，并使用决策曲线分析在区分度、校准度和临床实用性方面进行比较。
结果：在验证队列中，朴素贝叶斯模型显示出最佳总体性能［受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）＝0.811；95%置信区间（confidence interval, CI）：0.755–0.855］。SHAP分析识别出主要24小时预测模型的主要贡献因素。另外，对连续EN启动时机的二次探索性分析发现一种非线性模式，自举法得出的模型衍生拐点中位数为24.0小时（95%自举区间：23.0–27.0小时）。
结论：该可解释模型可能支持aSAH夹闭术后早期PPI风险分层。观察到的EN时机信号应被解读为探索性结果，在临床实施前需进行前瞻性验证。
论文解读文章：
一、研究背景与问题
动脉瘤性蛛网膜下腔出血（aneurysmal subarachnoid hemorrhage, aSAH）是颅内动脉瘤破裂后血液进入蛛网膜下腔所致的神经外科急症，具有起病急骤、致残率和死亡率高的特点。2023年美国心脏协会/美国卒中协会（AHA/ASA）指南报告其院前死亡率为22%–26%，住院死亡率为13%–20%。显微手术夹闭是aSAH的重要治疗手段之一，但术后肺部感染（postoperative pulmonary infection, PPI）是其常见且后果严重的并发症。已有研究显示，在843例aSAH患者中，夹闭术后肺炎发生率（34.54%）显著高于介入栓塞组（26.57%，p=0.015）。PPI可导致氧合受损、呼吸支持需求增加、重症监护病房（intensive care unit, ICU）及住院时间延长、医疗资源消耗增加以及神经功能恢复不良。目前现有的预测研究多为回顾性、样本量中等、常纳入异质性治疗策略，且多侧重于区分度（通常以受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）衡量），对外部效度、校准度、临床效用和模型可解释性的评估不足。因此，亟需开发一种可在术后早期进行PPI风险分层、具备可解释性的预测模型，并探索可能可调控的护理相关因素——尤其是肠内营养（enteral nutrition, EN）启动时机——与PPI风险的关系。
二、研究目的与简要方法
该研究的主要目的是利用术后24小时时间点可获得的预测变量，开发和时间验证一个用于aSAH夹闭术后PPI早期风险分层的可解释机器学习模型；次要目的是探索EN启动时机与后续PPI风险之间潜在的非线性关联。研究为双队列回顾性观察性研究，数据来自山西白求恩医院，纳入2020年1月至2025年3月期间确诊aSAH并接受开颅动脉瘤夹闭术的患者。经筛选后共517例患者纳入最终分析，其中397例构成开发队列，120例构成验证队列。研究按照个体预后或诊断多变量预测模型透明报告联合人工智能（TRIPOD+AI）原则报告。主要关键技术方法包括：采用最小绝对收缩与选择算子（least absolute shrinkage and selection operator, LASSO）回归和随机森林重要性双重特征选择策略；构建并比较九种机器学习算法（逻辑回归、朴素贝叶斯、随机森林、极端梯度提升（XGBoost）、轻量级梯度提升机（LightGBM）、决策树、支持向量机（SVM）、多层感知器（MLP）神经网络和K近邻（KNN））；使用AUC、校准曲线和决策曲线分析（decision curve analysis, DCA）从区分度、校准度和临床效用三个维度评估模型；利用SHapley Additive exPlanations（SHAP）进行全局和局部可解释性分析，并对EN启动时机进行自举法（1,000次重采样）稳定性评估的探索性依赖分析。
三、研究结果
3.1 患者基线特征
最终分析纳入517例患者，总体PPI发生率为36.9%（191/517），开发队列为38.5%（153/397），验证队列为31.7%（38/120）。两队列在大多数基线变量上具有可比性，但卒中史（p=0.032）、白蛋白水平（p=0.006）、手术时间（p<0.001）和鼻肠管使用（p=0.018）存在统计学显著差异。连续变量用Mann–Whitney U检验，分类变量用χ2检验或Fisher精确检验。
3.2 特征选择与变量识别
采用LASSO回归和随机森林重要性双重特征选择策略的联合结果最终纳入15个变量。机械通气、术后24小时时间点的EN启动状态和卒中史在两个算法中均被一致识别为最重要的预测因子。其他重要变量包括格拉斯哥昏迷评分（Glasgow Coma Scale, GCS）、鼻胃管使用和Hunt–Hess分级。
3.3 模型性能与比较
在验证队列中，朴素贝叶斯模型表现出最优的区分能力，AUC为0.811（95%CI：0.755–0.855），其次为MLP（AUC=0.797）和LightGBM（AUC=0.751）。决策曲线分析显示，朴素贝叶斯和MLP模型在约0.10–0.60的阈值概率范围内相比“全部治疗”或“全部不治疗”策略提供了更高的净获益。校准曲线总体保持预测概率与实际观测概率之间的一致性趋势，但由于验证队列样本量存在一定波动。
3.4 模型解释与EN时机探索性分析
SHAP分析显示，卒中史对模型输出影响最大，正向值提示感染风险增加；术后24小时EN启动状态、鼻胃管使用和机械通气也均与感染风险正相关。对高危患者（第34号）的个体化瀑布图和力图展示了解释性模型如何明确各临床因素的贡献方向与大小。在EN启动时机的二次探索性分析中，SHAP依赖图和LOWESS平滑曲线提示连续EN启动时机与模型输出之间存在非线性关系。LOWESS平滑的SHAP轨迹在约25.0小时处跨越零基线；1,000次自举重采样得出的模型衍生拐点中位数为24.0小时（95%自举区间：23.0–27.0小时）。较早的EN启动倾向于对应负向SHAP贡献，而较晚启动对应正向贡献。
四、讨论、局限性与结论
讨论部分强调，PPI风险由不可改变的基线特征（如卒中史、神经功能严重程度）和可调控的护理相关因素（如机械通气、鼻胃管使用、EN启动状态）共同决定。前者应视为触发早期预防策略的“风险锚点”，后者则提示PPI不仅取决于疾病严重程度，还受可调控的临床实践影响。从护理角度看，误吸预防是核心环节，包括床头抬高30–45°、优化口腔卫生、减少镇静、早期吞咽困难筛查，对持续喂养不耐受或高误吸风险患者可考虑幽门后喂养。EN时机探索性分析中观察到的约24–25小时拐点不应被解读为因果关系或临床验证的干预阈值，延迟EN可能部分反映潜在疾病严重程度或临床不稳定性。然而，肠–肺轴相关的生物学机制为EN与肺部结局之间的关联提供了合理性。研究人员提出，优先在术后24小时内启动EN可能是一个安全有效的窗口，但该时间信号具有探索性，需前瞻性验证。
研究局限性包括：单中心回顾性设计，验证队列仅为时间验证而非多中心外部验证；EN时机分析并非预先假设，尽管自举分析显示内部稳定性，仍应视为产生假说而非临床验证的切点；动脉瘤具体动脉水平位置信息未完整记录，无法进行可靠的部位特异性分析。
研究结论：该研究开发并时间验证了一个可解释机器学习模型，用于预测aSAH显微夹闭术后肺部感染。朴素贝叶斯模型在验证队列中取得最佳总体性能，SHAP分析提供了对不可改变的风险锚点和潜在可调控的护理过程因素的临床可解释说明。EN启动时机的二次探索性分析显示非线性模型衍生模式，估计拐点区域约为24–25小时。这些发现提示，可解释机器学习模型可能支持aSAH患者的早期风险分层和风险适应性护理预防策略；肠内营养时机结果应视为探索性结论，在临床转化前需前瞻性多中心验证。
