基于机器学习的术中显著失血量预测，以指导脊柱手术中根据风险调整的血液管理决策

《Journal of Clinical Anesthesia》：Machine learning-based prediction of significant intraoperative blood loss to guide risk-adapted blood management decisions in spinal surgery

本研究基于机器学习开发了12变量预测模型，准确识别脊柱手术中大量术中出血风险，并验证风险适应的血液管理策略（Cell Saver）可显著提升临床获益，减少异体输血需求，结果通过双中心数据验证。

　　

程晓|吴云鹏|臧涵|廖仁|廖晨曦|徐莉|黄玉光

中国医学科学院北京协和医学院医院麻醉科，北京，中国

摘要

引言

脊柱手术中大量失血（≥500毫升）较为常见，这与更高的输血需求和更差的手术结果相关。目前缺乏用于术前风险分层和个性化血液管理策略的工具。我们的目标是开发一个机器学习模型来预测术中大量失血，并评估基于风险的血液管理是否能改善临床效果。

方法

我们使用了北京协和医学院医院2018年12月至2021年10月期间3944名脊柱手术患者的数据来训练26种机器学习算法。我们利用Shapley加性解释方法从49个候选变量中识别出关键预测因子，以训练简化模型。该简化模型在西华医院对843名患者进行了外部验证。通过决策曲线分析和样条分析评估了Cell Saver技术在模型预测风险下的效益。

结果

该12变量模型在测试集中的AUC为0.814（95% CI，0.790–0.839），在外部队列中的AUC为0.820（0.785–0.854）。决策曲线分析表明，基于风险的Cell Saver策略比当前实践提供了更大的净效益。样条分析显示，随着预测风险的增加，Cell Saver的效益也随之提高：对于风险>0.53的情况，使用Cell Saver与术后血红蛋白水平升高相关；对于风险>0.58的情况，它减少了异体输血的需求。在需要异体输血的患者中，无论风险水平如何，使用Cell Saver都能减少红细胞单位体积，尤其是在高风险患者中效果更为显著。

讨论

这个12变量的机器学习模型能够准确预测脊柱手术中的大量失血风险。根据预测风险来使用Cell Saver策略比基于经验的现实世界策略提供了更大的净临床效益。

引言

由于脊柱解剖结构复杂且血管丰富，脊柱手术特别容易发生大量术中失血[1]、[2]、[3]。先前的研究发现，脊柱手术中失血量超过500毫升（定义为大量失血，SBL）与更高的输血需求和并发症发生率相关[4]。在其他类型的手术中，SBL同样与更高的医疗成本以及术后发病率和死亡率相关[4]、[5]、[6]、[7]。然而，如何准确全面地预测接受脊柱手术患者的SBL仍不清楚。

现有的脊柱手术SBL预测模型存在许多局限性，它们通常仅限于特定情况（例如退行性疾病、肿瘤），基于的小样本量，缺乏外部验证，并且不能全面评估模型性能[4]、[8]、[9]、[10]。为了克服这些缺点，机器学习已被证明能够构建能够处理复杂多变量医疗数据并具有高预测准确性和强泛化能力的临床预测模型[11]、[12]、[13]、[14]。然而，将其应用于预测脊柱手术中的术中SBL仍鲜有研究。

开发有效的脊柱手术SBL风险模型可以实现精确的术前分层，并支持个性化的血液管理决策。诸如Cell Saver系统（一种自体红细胞回收装置）这样的血液管理策略的效益取决于实际的术中失血量和出血风险[15]、[16]。然而，在当前实践中，Cell Saver的使用主要依赖于临床医生的术前评估和术中实时决策，而现有的SBL预测模型不够精确，无法做出临床血液管理决策。先前的研究表明，Cell Saver系统有时只能回收少量血液，导致资源浪费和医疗成本增加[17]、[18]；而未接受Cell Saver支持的高风险患者随后可能需要更多的异体输血[15]、[19]。因此，如何应用SBL风险预测来优化围手术期血液管理仍不明确。

我们假设，使用常规收集的术前特征的基于机器学习的模型可以提供准确的术中SBL分层，并指导血液管理策略。为了验证这一假设，我们使用两个队列的数据开发并对外部验证了一个用于预测脊柱手术术中SBL的模型。然后我们评估了其区分能力、校准情况以及潜在的临床效用，包括其制定基于风险的Cell Saver使用策略的能力。

部分摘录

患者

我们进行了一项双中心回顾性队列研究，使用了北京协和医学院医院（PUMCH）和四川大学西华医院的电子健康记录数据。该研究方案已获得PUMCH（伦理批准编号：S-K1757）和西华医院（伦理批准编号：2023–1634）的机构审查委员会批准。由于研究的回顾性质，伦理委员会免除了知情同意的要求。

患者特征

在3944名PUMCH患者中（平均年龄45±23岁；56.0%为女性），有1060名（26.9%）经历了大量失血（SBL，≥500毫升）（表1）。最常见的诊断为退行性疾病（67.1%；补充表5），其次是脊柱畸形（40.1%）、脊柱手术史（11.7%）、感染或肿瘤（3.2%）和椎体骨折（1.9%）。大多数患者接受了脊柱融合手术（90.1%），其次是减压手术（41.2%）。

讨论

据我们所知，这是第一项开发基于机器学习模型来预测脊柱手术患者SBL风险，并提出基于风险的Cell Saver术中自体输血策略的双中心研究。这个基于12变量的Ranger模型考虑了年龄、BMI、身高、术前血小板计数、术前红细胞计数、脊柱畸形、颈椎手术、胸椎手术、腰椎手术等因素。

结论

总之，我们开发了一个12变量的机器学习模型，能够准确分层脊柱手术中的SBL风险。根据SBL风险使用Cell Saver策略比基于经验的现实世界策略提供了更大的净临床效益。需要一项前瞻性多中心试验来确认这种基于风险的策略的有效性。

以下是与本文相关的补充数据。

CRediT作者贡献声明

程晓：撰写 – 审稿与编辑，撰写 – 原稿，方法学，形式分析，概念构思。吴云鹏：撰写 – 审稿与编辑，撰写 – 原稿，方法学，调查，形式分析。臧涵：撰写 – 审稿与编辑，项目管理。廖仁：撰写 – 审稿与编辑，数据管理。廖晨曦：撰写 – 审稿与编辑，数据管理。徐莉：撰写 – 审稿与编辑，资金获取，概念构思。黄玉光：撰写 –

写作过程中生成式AI和AI辅助技术的声明

在准备本工作时，作者使用了ChatGPT来改进语法并提高手稿的可读性。使用该工具/服务后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。

资金来源

本工作得到了国家高水平医院临床研究资助（2022-PUMCH-B-119）的资助。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：

徐莉拥有中国医学科学院和北京协和医学院医院（PUMCH）待审批的专利#Application No. 20251116445855。其他作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。