《Frontiers in Medicine》：The influencing factors of postoperative sleep disturbance in elderly patients undergoing transurethral prostate surgery and the construction and validation of a machine learning prediction model
编辑推荐：
背景：术后睡眠障碍（postoperative sleep disturbance，POSD）是老年经尿道前列腺手术（transurethral prostate surgery）患者常见并发症，可损害康复并增加疾病负担。迄今，针对该人群的POSD预测模型，尤
背景：术后睡眠障碍（postoperative sleep disturbance，POSD）是老年经尿道前列腺手术（transurethral prostate surgery）患者常见并发症，可损害康复并增加疾病负担。迄今，针对该人群的POSD预测模型，尤其是基于机器学习（machine learning）技术的预测模型仍较缺乏。目的：探讨老年经尿道前列腺手术患者POSD的发生率及影响因素，并构建基于传统逻辑回归（logistic regression）和七种机器学习算法的预测模型。方法：前瞻性纳入2024年3月至2025年12月在研究人员所在医院接受择期经尿道前列腺手术的563例老年患者，按6:4随机分为训练集（n = 338）和验证集（n = 225）。采用LASSO回归（lambda.1se）筛选预测变量，并采用多因素逻辑回归识别独立危险因素。构建逻辑回归、随机森林（random forest，RF）、极端梯度提升（extreme gradient boosting，XGBoost）、朴素贝叶斯（naive Bayes）、决策树（decision tree）、支持向量机（support vector machine，SVM）、k近邻（k-nearest neighbors，KNN）和人工神经网络（artificial neural network，ANN）模型。采用受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）、准确度、校准曲线（calibration curves）和决策曲线分析（decision curve analysis，DCA）评价模型性能。采用SHAP（SHapley Additive exPlanations）对最优模型进行可解释性分析。结果：POSD发生率为62.2%。独立危险因素包括术前焦虑（医院焦虑抑郁量表-焦虑亚量表[Hospital Anxiety and Depression Scale-Anxiety，HADS-A]评分）、夜尿频率（≥3次/夜）、全身免疫炎症指数（systemic immune-inflammation index，SII）升高、术前噪声评分及中度至重度咳嗽相关疼痛（P < 0.05）。随机森林模型总体表现最佳，训练集AUC为0.926（95% CI：0.89–0.96），验证集AUC为0.964（95% CI：0.93–0.99），与其他模型相比具有更优的校准和临床效用。SHAP分析显示，HADS-A评分对预测的贡献最大。结论：术前焦虑、夜尿频率增加（≥3次/夜）、SII升高、高噪声评分及中度至重度咳嗽相关疼痛是老年经尿道前列腺手术患者POSD的独立危险因素。随机森林预测模型表现最佳，可用于临床早期风险识别和个体化干预。临床试验注册：中国临床试验注册中心 ChiCTR2600124377。
研究背景：随着全球人口老龄化，老年手术患者比例持续上升，围术期管理质量受到关注。术后睡眠障碍（postoperative sleep disturbance，POSD）是老年患者常见围术期并发症，可增加疼痛敏感性，诱发术后谵妄和心血管事件，延长住院时间并升高全因死亡率，显著增加疾病负担。已有报告POSD发生率为15%～72%，老年患者更高。经尿道前列腺手术（transurethral prostate surgery）是解除前列腺疾病所致膀胱出口梗阻的主要术式。老年患者术前常长期夜尿，形成“基线睡眠债”；术后导管相关膀胱不适、膀胱痉挛、持续膀胱冲洗、手术创伤和环境干扰等进一步升高POSD风险。阐明影响因素对优化围术期管理、改善患者结局具有临床价值。临床预测模型可整合多维信息实现早期风险分层。目前多数POSD预测模型基于传统逻辑回归（logistic regression），依赖线性假设；而POSD发生涉及人口学、临床和环境因素间复杂非线性交互。机器学习（machine learning，ML）可自动捕捉非线性关系和高阶交互，具有独特优势。然而，针对老年经尿道前列腺手术患者的ML-POSD预测模型仍缺乏。研究人员因此开展本研究，旨在调查该人群POSD发生率和影响因素，并采用逻辑回归及七种主流ML算法构建和验证预测模型，为早期预警、风险分层和个体化干预提供定量决策依据。
关键技术方法（不超过250字）：研究人员前瞻性纳入2024年3月至2025年12月于所在医院接受全身麻醉下择期经尿道前列腺手术的563例老年患者，按6:4随机分为训练集（n = 338）和验证集（n = 225），训练集用于影响因素分析和模型开发，验证集用于内部验证。以术后第1天或第3天任一评估点Richards-Campbell睡眠问卷（Richards-Campbell Sleep Questionnaire，RCSQ）评分<50分和/或雅典失眠量表（Athens Insomnia Scale，AIS）评分≥6分定义POSD。采用LASSO（least absolute shrinkage and selection operator）回归以lambda.1se筛选预测变量，多因素逻辑回归识别独立危险因素；构建逻辑回归和随机森林（random forest，RF）、XGBoost、朴素贝叶斯、决策树、支持向量机、k近邻、人工神经网络模型，以AUC、准确度、校准曲线、决策曲线分析（decision curve analysis，DCA）评价，并对最优模型行SHAP（SHapley Additive exPlanations）分析。
研究结果：
3.1 Patient characteristics and incidence of POSD（患者特征与POSD发生率）：通过纳入563例患者并进行单因素分析，研究发现350例发生POSD，发生率为62.2%；训练集338例中210例（62.1%）发生POSD。单因素分析显示9个变量与POSD显著相关（P < 0.05）：饮酒史、夜尿频率、SII、输血、术中低血压、术前噪声评分、HADS-A评分、HADS-D评分及中度至重度咳嗽相关疼痛。
3.2 Variable selection and independent risk factors（变量筛选与独立危险因素）：通过LASSO回归（lambda.1se）筛选出8个非零系数变量：饮酒史、夜尿频率、SII、输血、术中低血压、术前噪声评分、HADS-A评分及中度至重度咳嗽相关疼痛。进一步多因素逻辑回归分析显示，术前HADS-A评分、夜尿频率（≥3次/夜）、SII、术前噪声评分及中度至重度咳嗽相关疼痛为POSD独立危险因素（P < 0.05）。
3.3 Model performance comparison（模型性能比较）：通过比较逻辑回归与七种ML模型，随机森林模型在训练集（AUC = 0.926，95% CI：0.89–0.96）和验证集（AUC = 0.964，95% CI：0.93–0.99）均取得最佳总体性能，准确度、敏感度和F1评分高于其他模型；逻辑回归训练集AUC为0.749（95% CI：0.69–0.81），验证集AUC为0.737（95% CI：0.67–0.80）。随机森林模型校准曲线显示预测概率与观察概率一致性良好（Brier评分：训练集0.106，验证集0.092）；DCA显示其在训练集阈值概率0.08–0.99和验证集0.10–0.99范围内提供最高净临床获益。
3.4 SHAP interpretation of the random forest model（随机森林模型的SHAP解释）：通过对验证集进行SHAP分析，特征重要性排序显示HADS-A评分对预测贡献最大，其次为夜尿频率、SII、噪声评分及中度至重度咳嗽相关疼痛；SHAP蜂群图显示HADS-A评分的SHAP值分布最宽，提示焦虑状态对模型预测贡献最显著。
讨论部分总结：讨论指出，本研究中POSD发生率为62.2%，与既往报告基本一致；术前焦虑、夜尿频率（≥3次/夜）、SII升高、高噪声评分及中度至重度咳嗽相关疼痛为独立危险因素。术前焦虑是最强预测因素，与全髋关节置换和脊柱手术研究一致；系统综述提示术前睡眠障碍和焦虑是POSD核心风险因素。焦虑可激活下丘脑-垂体-肾上腺（hypothalamic-pituitary-adrenal，HPA）轴和交感神经系统，促进皮质醇释放，干扰γ-氨基丁酸（GABA）能系统并提高唤醒水平。即使术后留置导尿消除实际排尿需求，术前夜尿频率仍为稳定预测因素，提示“条件性唤醒”模式，机制涉及膀胱充盈感与睡眠环境线索反复关联，导致“膀胱-脑轴”（岛叶、前扣带皮层）长期敏化；临床研究证实夜尿≥3次/夜与睡眠质量差直接相关。研究中ROC曲线分析确定SII预测POSD的最佳截断值为603.98，术前SII >603.98者POSD风险显著更高，为临床提供简单客观的风险分层工具；该截断值与既往研究基本一致。SII作为整合性炎症标志物，与POSD关联强于中性粒细胞/淋巴细胞比值（neutrophil-to-lymphocyte ratio，NLR）或血小板/淋巴细胞比值（platelet-to-lymphocyte ratio，PLR）；手术应激升高SII并诱导睡眠障碍，睡眠障碍又通过持续激活HPA轴和交感神经系统维持炎症；SII升高亦被报道为老年关节置换患者POSD生物标志物。疼痛与睡眠障碍存在双向关系：疼痛损害睡眠，睡眠不足降低痛阈；机制包括多巴胺能活性下降、5-羟色胺能失调、HPA轴节律紊乱及炎症介质释放。本研究中患者常有术前下尿路症状（尿频、尿急、排尿困难）甚至术前导尿，均可成为疼痛来源。讨论认为，本研究首次在该特定人群中比较逻辑回归与七种ML算法预测POSD并引入SHAP可解释性；多数现有POSD预测研究依赖传统逻辑回归，而ML可处理非线性关系并从高维数据提取关键特征。随机森林模型判别能力、敏感度和校准最佳，其优势源于bagging集成学习和随机特征选择，可捕捉非线性交互并抗过拟合；研究结果与多中心调查一致，证实集成学习在复杂生物医学数据中的优势。SHAP分析阐明各预测因素贡献的方向和幅度，增强临床可接受性；预测模型为制定针对性干预策略（如对高焦虑患者进行术前心理疏导、对高噪声暴露者优化声环境）提供定量依据。局限性包括：POSD主要采用主观患者报告量表，未采用多导睡眠图（polysomnography，PSG）、脑电图（electroencephalography，EEG）或体动记录仪（actigraphy）等客观测量；单中心研究且无外部验证，泛化性受限；验证集AUC（0.964）高于训练集（0.926），可能反映两数据集分布差异或验证集样本量相对较小，而非过拟合，尽管采用lambda.1se的LASSO减少过拟合，外部验证仍必要；研究排除了已有睡眠障碍患者，未来应纳入该临床重要亚组进行分层分析。
研究结论（翻译）：老年经尿道前列腺手术患者POSD发生率为62.2%。术前焦虑、夜尿增加（≥3次/夜）、SII升高、高噪声评分及中度至重度咳嗽相关疼痛为独立危险因素。随机森林预测模型具有最佳判别能力、校准和临床效用，稳健性和可解释性良好。仍需大规模、多中心研究进一步验证其泛化性和临床适用性。
