整合心肺功能评估的可解释机器学习模型预测心脏瓣膜术后早期肺部并发症

《BMC Medical Informatics and Decision Making》：Development and validation of a perioperative prediction model for postoperative pulmonary complications in patients undergoing cardiac valve surgery

　　

摘要

背景

术后肺部并发症（PPCs）在心脏瓣膜术后十分常见。本研究旨在开发并内部验证一个整合心肺功能评估的可解释机器学习（ML）模型，以预测早期PPCs。

方法

共818例接受单纯瓣膜手术的成人患者被随机分为训练组（n = 655）和验证组（n = 163）。使用LASSO回归选择预测因子，并比较六种机器学习模型。模型性能通过区分度（AUC）、Brier评分和决策曲线分析进行评估。采用Shapley加性解释（SHAP）进行模型解释。

结果

PPCs在43.8%的患者中发生。训练组包含283例PPC事件，验证组为75例。LASSO回归确定了12个预测因子：心肺转流（CPB）时间、胱抑素C、年龄、血糖、身体成分总结（PCS）评分、单位工作率摄氧量（VO₂/WR）、二氧化碳通气当量（VE/VCO₂斜率）、血清钾、左心室射血分数（LVEF）、C反应蛋白（CRP）、纤维蛋白原以及瓣膜置换病史。LightGBM模型在验证组中表现最佳（AUC = 0.746，95% CI：0.670–0.823；灵敏度 = 0.653；特异度 = 0.705；F1评分 = 0.653）。SHAP分析显示，CPB时间、胱抑素C、PCS评分及CPET指标为PPC风险的关键贡献因素。

结论

本研究建立了一个针对心脏瓣膜术后早期PPCs的手术特异性、可解释的机器学习预测模型。通过将CPET衍生的心肺储备评估与围手术期生物标志物整合，该模型有助于改善围手术期风险分层，并为靶向临床管理提供支持。