《Journal of Clinical Medicine》：Frailty Indices and Preoperative Clinical Factors for Predicting Myocardial Injury After Non-Cardiac Surgery (MINS) in High-Risk Geriatric Orthopedic Patients: A Machine-Learning Study
编辑推荐：
背景/目的: 非心脏手术后心肌损伤（MINS）是老年骨科患者中常见、通常无症状的并发症，可增加术后死亡率。修订心脏风险指数（RCRI）可能无法充分反映与年龄相关的生理储备丧失。研究人员调查了衰弱指数（mFI-5, mFI-11）能否改善MINS术前风险的机器学
背景/目的: 非心脏手术后心肌损伤（MINS）是老年骨科患者中常见、通常无症状的并发症，可增加术后死亡率。修订心脏风险指数（RCRI）可能无法充分反映与年龄相关的生理储备丧失。研究人员调查了衰弱指数（mFI-5, mFI-11）能否改善MINS术前风险的机器学习预测，并将探索性围手术期模型与美国麻醉医师协会（ASA）和RCRI进行比较。方法: 这项单中心回顾性研究分析了656例年龄≥65岁、接受大型骨科手术并在术后接受ICU监测和肌钙蛋白监测的患者；MINS发生82例（12.5%）。模型如下：模型1（术前基线）、模型2（+mFI-5）、模型3（+mFI-11），以及探索性围手术期模型模型4（+术中血管加压药使用和术后机械通气）。在30%留存集上的AUC与ASA/RCRI使用配对DeLong检验进行比较，并经Bonferroni校正共15次比较。采用相同分类器和预测变量集的敏感性分析分离了衰弱指数的贡献。结果: 衰弱指数未提供显著增量价值：加入mFI-5或mFI-11仅使AUC发生微小变化（基线0.5744到0.5828和0.5881；所有p>0.5）。术前模型（留存集AUC 0.6005–0.6935）在Bonferroni校正后与ASA或RCRI均无显著差异。纳入术中和术后变量的模型4达到AUC 0.7584，显著高于ASA（校正p=0.002），但未显著高于RCRI（校正p=0.268）。结论: 在算法和预测变量集保持不变的情况下，未显示出衰弱指数的增量价值，且经多重性校正后，没有模型显著优于RCRI。模型3与模型2之间数值较高的AUC不能归因于衰弱指数，因为这些模型在预测变量和算法上均有差异。检验效能有限；这些发现为假设生成性的。衰弱指数是否改善预测需要在足够大的外部队列中进行检验。
1. 研究背景与目的
非心脏手术后心肌损伤（MINS）是老年骨科患者中常见且常无症状的严重并发症，可显著增加术后死亡率。修订心脏风险指数（RCRI）虽为最常用的围手术期心脏风险评估工具，但其仅聚焦器官衰竭，未充分反映与衰老相关的生理储备丧失。衰弱是随衰老进展的多系统生理储备丧失所致多维老年综合征，在老年骨科人群中患病率较高，可能为MINS风险预测提供额外信息。然而，既往研究多采用单一衰弱指数，且尚未有在同一老年骨科队列中比较改良衰弱指数-5（mFI-5）与改良衰弱指数-11（mFI-11）的机器学习研究。因此，本研究旨在评估在术前基线模型中依次加入mFI-5或mFI-11是否改善MINS风险预测，并与美国麻醉医师协会体能状态分级（ASA-PS）和RCRI进行比较。
2. 技术方法概述
研究为单中心回顾性队列研究，纳入656例≥65岁大型骨科手术且术后重症监护病房（ICU）监护与高敏心肌肌钙蛋白T（hs-cTnT）监测患者（Dr. Abdurrahman Yurtarslan Ankara Oncology Training and Research Hospital，2021-2023），MINS 82例（12.5%）。构建四个机器学习模型：模型1（术前基线）、模型2（+mFI-5）、模型3（+mFI-11）及探索性模型4（+术中血管加压药使用/术后机械通气）。使用嵌套交叉验证、超参数优化、概率校准及留存集评价；与ASA/RCRI行DeLong检验和Bonferroni校正。另以固定分类器/预测变量集的敏感性分析分离衰弱指数贡献。
3. 研究结果
3.1 模型1（术前基线模型）
仅纳入术前常规人口学、合并症和实验室变量。经方差膨胀因子（VIF）和基于重要性的迭代特征选择后保留9个变量，类别加权最近质心（Nearest Centroid）分类器表现最佳。在30%留存集上AUC为0.6644，数值上高于ASA（AUC 0.5267），但DeLong原始p=0.040经Bonferroni校正后（校正p=0.598）不再显著；与RCRI（AUC 0.6101）差异无统计学意义。
3.2 模型2（mFI-5分层术前模型）
加入mFI-5并排除其组分后，经VIF和迭代选择保留10个变量，同样采用Nearest Centroid。留存集AUC为0.6005，较模型1降低（ΔAUC=-0.0640，校正p=1.000），与ASA/RCRI差异均无统计学意义。研究人员认为，mFI-5引入共线性（VIF>5.0）导致白蛋白被排除，可能部分解释性能下降。
3.3 模型3（mFI-11分层术前模型）
加入mFI-11并排除其组分后，保留6个变量，CatBoostClassifier（未加权）表现最佳。留存集AUC为0.6935，是术前模型中最高；与ASA差异原始p=0.008，但Bonferroni校正后p=0.125；与RCRI差异不显著（原始p=0.131，校正p=1.000）。SHAP（SHapley Additive exPlanations）分析显示，mFI-11、肌酐和白蛋白是模型决策中贡献最大的变量。
3.4 敏感性分析
为控制变量选择与算法差异的影响，研究人员以相同分类器（类别加权Nearest Centroid）和相同预测变量集构建可比模型：基线模型AUC为0.5744，加入mFI-5后为0.5828（ΔAUC=+0.0084，p=0.653），加入mFI-11后为0.5881（ΔAUC=+0.0137，p=0.541），均无统计学显著差异。因此，衰弱指数未能显示明确的独立增量判别价值。
3.5 模型4（探索性围手术期模型）
在术前变量基础上加入术中血管加压药使用和术后机械通气需求，经特征选择后保留12个变量，CatBoostClassifier表现最佳。留存集AUC为0.7584，敏感性为0.8000，特异性为0.6686；显著高于ASA（校正p=0.002），但与RCRI相比差异未达显著（校正p=0.268）。因包含术中/术后变量，该模型不能用于术前决策。
4. 讨论与结论
研究人员指出，MINS多呈无症状经过，显著增加术后死亡风险，术前识别高危患者具有重要临床价值。尽管mFI-11在SHAP分析中贡献突出，但其并未转化为较RCRI的显著AUC改善，可能与模型与RCRI共享核心心脏变量（如心力衰竭、肌酐）有关。mFI-5加入模型后因共线性排除白蛋白等独立预测因子而降低AUC；敏感性分析则显示，在固定算法与变量集时，两个衰弱指数的AUC增益均较小且不显著。因此，对总体术后并发症和死亡风险有效的衰弱评分，不能直接外推至MINS这一特定器官损伤终点。决策曲线分析显示，术前模型仅在较窄阈值范围内具有潜在净获益，尚不足以支持临床应用。结论：在老年骨科患者中，加入mFI-5或mFI-11未能证明可显著提高MINS术前预测能力；mFI-11模型虽数值上表现最佳，但未显著优于RCRI或ASA。由于模型2与模型3在预测变量和算法上均有差异，其数值差异不能归因于衰弱指数本身；在相同分类器与预测变量集的敏感性分析中，两种指数均未显示可论证的增量价值。因此，基于衰弱指数的机器学习模型仍属探索性，需在更大样本的外部队列中验证后才能考虑转化为临床实践。
