基于机器学习的胸科麻醉单肺通气术中氧合障碍预测及SHAP可解释性分析

《Scientific Reports》：Interpretable machine learning for predicting intraoperative oxygenation impairment during one-lung ventilation in thoracic surgery: a retrospective cohort study

　　

摘要

单肺通气期间的术中氧合障碍在胸科麻醉中构成了重大挑战。传统统计模型往往难以捕捉复杂的非线性临床关系。本研究旨在评估机器学习算法在预测该障碍方面的表现，并使用SHAP方法解释潜在的特征关联。回顾性分析了519例接受胸外科手术的患者的临床数据。评估了五种算法。使用受试者工作特征曲线下面积衡量模型性能。应用SHAP探索非线性关联和特征交互作用，但不暗示生物学因果关系。随机森林模型的曲线下面积最高（0.924），优于逻辑回归（0.790）。SHAP分析确定正压通气末压（PEEP）、术前动脉血氧分压和体重指数为主要预测因素。此外，分析揭示了正压通气末压（4至6厘米水柱）和潮气量可能存在的U形保护性关联，以及基础肺部状况与机械通气设置之间的协同交互作用。在该回顾性队列中，随机森林算法可能在预测氧合障碍方面提供更好的判别性能。可解释的机器学习为复杂的非线性阈值和交互作用提供了探索性的假设生成见解，可作为未来个体化麻醉管理前瞻性研究的初步参考信息。