《International Journal of Nursing Sciences》：Machine learning-based estimation model for intraoperative pressure injury in hypothermic cardiopulmonary bypass: A prospective cohort study
编辑推荐：
本研究旨在开发并评估机器学习模型，用于评估接受低体温体外循环（CPB）患者术中获得性压力性损伤（IAPI）的风险，识别关键的独立危险因素，并评估这些预测模型在围手术期护理中的临床实用性。研究人员在中国四家三级甲等医院开展了一项前瞻性、多中心队列研究，时间跨度为
本研究旨在开发并评估机器学习模型，用于评估接受低体温体外循环（CPB）患者术中获得性压力性损伤（IAPI）的风险，识别关键的独立危险因素，并评估这些预测模型在围手术期护理中的临床实用性。研究人员在中国四家三级甲等医院开展了一项前瞻性、多中心队列研究，时间跨度为2020年4月至2024年12月。根据预先设定的纳入和排除标准连续纳入符合条件的患者，最终队列包含535例成人。研究人员从106个候选变量中，采用纯数据驱动的两步法进行特征筛选：先进行单变量检验，再进行逐步多变量逻辑回归。采用Spearman秩相关系数进行两两相关分析，以描述所选预测因子之间关联的方向和强度。数据被随机分为训练集（80%）和验证集（20%）。在Python中训练了七种机器学习算法，采用10折交叉验证和超参数优化。使用准确率、精确率、召回率、F1分数和受试者工作特征曲线下面积（AUC）评估模型性能。研究共识别出13个稳健的预测因子，包括空腹血糖、肌酸激酶、凝血酶原时间、国际标准化比值、糖尿病史、吸烟史、手术时长、总CPB时间、转流前直肠温度、术中最低直肠温度、总心肌缺血时间、转流期间最低收缩压和转流期间最低平均动脉压。相关性分析显示，手术时长、总CPB时间和总心肌缺血时间之间存在强正相关，而最低平均动脉压和术中最低直肠温度与上述时间参数呈负相关。多变量可视化进一步显示，发生IAPI的患者特征表现为手术时间延长、代谢应激增大、灌注压降低和低体温程度更深。在各类模型中，随机森林（RF）算法在预测IAPI风险方面取得了最佳综合性能，准确率为0.8505，召回率为0.7879，F1分数为0.7647，AUC为0.957。支持向量机（SVM）（AUC = 0.940）和逻辑回归（LR）（AUC = 0.946）模型也显示出较强的判别能力。10折交叉验证确认了RF模型的稳定性和可靠性，预测性能稳健：准确率为0.8505，精确率为0.7429，召回率为0.7879，F1分数为0.7647，AUC为0.957。在七种算法中，RF模型使用13个术前和术中预测因子取得了最高的AUC。该模型可为个体化围手术期风险分层和压力性损伤预防提供客观依据。已知信息：术中获得性压力性损伤（IAPI）是心脏手术中一种严重且常见的并发症，主要由低体温体外循环（CPB）的特殊病理生理学挑战驱动，如全身低灌注、微血管功能障碍和长时间机械负荷。传统的风险评估工具（如Braden或Waterlow量表）高度依赖静态的术前变量和主观的护理判断，难以捕捉手术室环境中固有的快速血流动力学和代谢波动。随着医学信息学的发展，机器学习技术为提高预测准确性提供了新途径；然而，目前尚无针对低体温CPB独特术中环境的动态、数据驱动工具。创新点：分析识别出13个独立的预测特征，揭示精确的手术时长（总CPB时间和心肌缺血时间）结合特定的代谢和凝血指标（如空腹血糖、凝血酶原时间和国际标准化比值）是IAPI的首要驱动因素，提供了比传统静态因素更精细的风险特征。本研究开发并验证了一个稳健的随机森林机器学习模型（受试者工作特征曲线下面积 = 0.957），该模型整合术前和实时术中数据以准确评估低体温CPB期间的IAPI风险。该可解释模型为实时围手术期临床决策支持提供了实用框架，使手术和护理团队能够实施主动的个体化干预——如目标导向的血流动力学和体温管理——以减轻组织损伤。
论文解读：低体温体外循环术中压力性损伤的机器学习预测模型
一、研究背景与目的
皮肤作为人体最大的器官，接受约10%的心输出量，对缺血和机械压力高度敏感。术中获得性压力性损伤（intraoperative acquired pressure injury，IAPI）是由持续压力或剪切力引起的局部皮肤或皮下组织损伤，医院获得性压力性损伤每年造成约110亿美元的经济负担，并使住院费用增加近44%。在所有外科专科中，重大心血管手术的术中压力性损伤发生率最高，可达29.1%。这一高风险主要源于低体温体外循环（cardiopulmonary bypass，CPB）的频繁使用——该技术通过将核心体温降至28°C–32°C来降低代谢需求，但同时显著减少外周灌注、组织氧合和毛细血管血流，使患者极易发生缺血-再灌注损伤和受压部位的局部组织损伤。
现有压力性损伤风险评估工具如Braden、Norton和Waterlow量表，最初为普通或重症监护环境开发，在术中环境尤其是低体温CPB中的适用性有限。这些工具严重依赖主观护理判断和静态术前变量，无法捕捉术中快速变化的血流动力学和代谢参数。随着医学信息学的发展，机器学习（machine learning，ML）技术为整合多维围手术期变量、识别非线性交互作用、提高预测准确性提供了新途径。因此，本研究旨在开发并验证基于ML的IAPI风险预测模型，识别关键危险因素，并评估其临床适用性。
二、研究设计与方法
研究人员在2020年4月至2024年12月期间，于中国广东省和甘肃省的四家三级医院开展了一项前瞻性多中心队列研究，最终纳入535例接受低体温CPB心脏手术的成人患者。在106个候选变量中，采用纯数据驱动的两步特征筛选法：先进行单变量分析，再进行逐步多变量逻辑回归。通过Spearman秩相关系数评估所选预测因子间的相关结构，并使用热图、雷达图和平行坐标图进行多变量可视化。数据按80%和20%随机分为训练集与验证集，在Python中采用10折交叉验证和网格搜索优化超参数，训练了K近邻、支持向量机、决策树、逻辑回归、朴素贝叶斯、随机森林（random forest，RF）和人工神经网络（artificial neural network，ANN）七种算法，以准确率、精确率、召回率、F1分数和受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）评估模型性能。
三、研究结果
1. 患者流程与基线特征：所有535例参与者均完成结局评估，术中压力性损伤发生率为18.88%。队列平均年龄54.2 ± 12.6岁，男性300例（56.1%），女性235例（43.9%）。
2. 风险因素的单变量与多变量分析：单变量分析显示30项术前连续变量和18项术中连续变量在两组间存在显著差异。经逐步选择后，最终确定13个独立预测因子：术前领域包括糖尿病史、吸烟史、术前空腹血糖（fasting plasma glucose，FPG）、肌酸激酶（creatine kinase，CK）、凝血酶原时间（prothrombin time，PT）和国际标准化比值（international normalized ratio，INR）；术中领域包括总手术时长、总CPB时间、转流前直肠温度、术中最低直肠温度、总心肌缺血时间（total myocardial ischemia time，TMIT）、CPB期间最低收缩压和CPB期间最低平均动脉压（mean arterial pressure，MAP）。
3. 特征相关性与多变量关系：相关性分析显示手术时长与总CPB时间（ρ = 0.76）、手术时长与TMIT（ρ = 0.84）呈强正相关，总CPB时间与TMIT之间呈极强耦合（ρ = 0.95）。CPB期间最低MAP和最低直肠温度与上述时间参数呈负相关。雷达图和平行坐标图显示，发生IAPI的患者在代表时间负担和代谢压力的轴上向外延伸，而在代表灌注压和热稳定性的轴上向内收缩，揭示了低灌注压、深低体温和长转流时间共同驱动组织缺血的多重打击效应。
4. 机器学习模型性能：RF模型取得了最佳综合性能（准确率：0.8505，精确率：0.7429，召回率：0.7879，F1分数：0.7647，AUC：0.957）。逻辑回归（AUC = 0.946）、支持向量机（AUC = 0.940）和K近邻（AUC = 0.928）也表现出良好的判别能力，而ANN的判别能力相对较差（AUC = 0.546）。内部验证确认RF模型在交叉验证中保持了最一致的预测性能。
5. 神经网络训练稳定性：通过比较六种优化器（Adam、SGD、RMSProp、Adadelta、Adagrad和Adamax），发现Adam和RMSProp收敛更快且稳态损失更低，验证了训练过程的稳健性，并解释了ANN性能差异的原因。
6. 特征可解释性与临床见解：RF模型的特征重要性排序显示，总CPB时间、心肌缺血时间、手术时长和最低直肠温度是术中压力性损伤风险的首要决定因素，提示延长灌注时间和加深低体温会损害皮肤灌注。
四、讨论与结论
本研究的核心发现是：较长的CPB和心肌缺血时间导致全身性炎症反应和微血管功能障碍；术中绝对血压低谷（最低MAP和最低收缩压）反映外周灌注驱动压崩溃；低体温引发强烈外周血管收缩并左移氧合血红蛋白解离曲线；术前高血糖通过破坏内皮糖萼损害微血管完整性；PT和INR延长反映凝血功能紊乱并易致微血栓形成；术前CK升高提示基线肌肉脆弱性。与传统静态评估工具相比，本研究采用100%客观、常规捕获的数据，消除了主观评分偏倚，且RF的集成特性能够容纳高度相关的临床变量。研究局限性包括：所有中心均位于中国，外推性受限；未定量追踪血管活性药物累计剂量；样本量虽充足但更大数据集可支持亚组分析；模型仅作二元分类而未按压力性损伤分期分层。结论认为，RF模型使用13个客观的术前和术中预测因子，在七种算法中取得了最佳的预测性能，可为个体化围手术期风险分层和压力性损伤预防提供客观依据。
