基于机器学习的老年患者胫骨骨折术后医院相关并发症预测：一项日本全国性数据库研究

《Aging Clinical and Experimental Research》：Machine learning–based prediction of hospital-associated complications after tibial fracture surgery in older patients: a nationwide Japanese database study

　　

摘要

背景

因急性胫骨骨折需要紧急手术的老年人容易发生医院相关并发症，但目前缺乏入院时的风险分层工具。本研究旨在明确这些并发症的特点，并构建集成预测模型以及简化的床边风险评分系统。

方法

这项回顾性队列研究使用了JMDC公司提供的日本诊断程序组合数据库。研究对象为年龄≥65岁、因胫骨骨折（ICD-10编码：S82，2014–2025年）而紧急入院的患者，且需在5天内接受手术并住院时间超过5天。主要研究结果是首次住院期间的综合医院相关并发症发生率。缺失数据通过多重插补法处理。研究人员构建了超级学习器集成模型，并在保留的测试数据上对其进行评估；同时通过基于方差分析的特征选择和证据权重转换方法，制定了简化版评分系统。

结果

在53,186例入院病例中，有5,193例符合研究标准。其中851名患者（16.4%）出现了医院相关并发症，最常见的为谵妄（7.5%）以及跌倒/创伤（5.7%）。超级学习器在测试集上的接收者操作特征曲线下面积为0.740（95%置信区间：0.707–0.772），这一数值高于传统的线性逻辑回归模型（0.724）。最具影响力的预测因素包括医院脆弱性评分、痴呆症、巴特尔指数、合并症负担以及到手术日的天数。简化后的7变量评分系统在测试集上的AUC值为0.736（95%置信区间：0.703–0.769），可将患者分为五组风险等级，各组的医院相关并发症发生率分别为3.45%–38.64%。

结论

老年人因急性胫骨骨折接受紧急手术后出现医院相关并发症的风险，主要由老年人的身体脆弱性决定，而非骨折本身的特定因素。简化版的入院时风险评分有望有助于有针对性的预防措施的实施，不过还需进一步的外部验证。