机器学习预测接受非心脏大手术高龄患者术后30天死亡率

《BMC Geriatrics》：Using machine learning and preoperative data to predict 30-day mortality after non-cardiac major surgeries in older patients

　　**摘要****背景**术后死亡率仍然是一个严重关注的问题，尤其对于接受非心脏大手术的高龄患者而言。全球每年进行超过3亿台手术，其中相当大比例涉及老年患者，因此早期、精准的风险分层至关重要。传统评估工具往往需要复杂的计算，或依赖各地区差异较大的术前医疗编码系统，限制了其广泛应用。机器学习（ML）通过利用现成的患者数据来增强接近实时的术前风险评估，并适应各医院的特定需求，提供了一种极具前景的解决方案。**方法**本研究为一项回顾性研究，采用台中荣总医院的数据，纳入2017年1月至2019年4月间接受非心脏大手术且年龄≥65岁的患者。从电子病历中提取术前数据，包括人口学特征、实验室指标、合并症、手术风险分级及年龄校正Charlson合并症指数（ACCI）。主要终点为术后30天死亡率。采用逻辑回归、随机森林（RF）、XGBoost（XGB）、梯度提升机（GBM，基于scikit-learn实现）和支持向量分类（SVC）构建预测模型。采用受试者工作特征曲线下面积（AUROC）评估模型性能。**结果**共纳入9,422例患者，其中1.6%（*n*?=?147）发生30天死亡。XGBoost表现出良好的预测性能，在整合基本特征、实验室数据、合并症、手术风险及ACCI时，AUROC达到0.835。特征重要性分析显示，排名第一的特征为红细胞压积，其次为凝血酶原时间、钠、ACCI和ASA分级。使用排名前15个特征的简化模型保持了相近的性能（AUROC?=?0.819）。**结论**本研究证明，机器学习模型，尤其是XGBoost，可以有效预测接受非心脏大手术的高龄患者30天死亡率。该模型整合了术前临床和实验室数据，增强了其在接近实时风险分层中的实际应用价值。将基于机器学习的预测工具应用于术前评估，可能有助于早期干预并改善患者预后。