《Frontiers in Neurology》：A machine-learning-assisted logistic regression model for predicting post-operative delirium in older adults undergoing total knee arthroplasty
编辑推荐：
背景：术后谵妄（POD）是老年人全膝关节置换术（TKA）后的常见并发症。针对特定手术程序的预测模型仍然有限。本研究旨在利用常规可获得的围手术期变量，开发一个初步的、经内部验证的机器学习辅助逻辑回归模型。方法：研究人员回顾性纳入451例年龄≥60岁接受TKA的患
背景：术后谵妄（POD）是老年人全膝关节置换术（TKA）后的常见并发症。针对特定手术程序的预测模型仍然有限。本研究旨在利用常规可获得的围手术期变量，开发一个初步的、经内部验证的机器学习辅助逻辑回归模型。方法：研究人员回顾性纳入451例年龄≥60岁接受TKA的患者。队列被随机分为训练集（70%）和验证集（30%）。采用两阶段变量选择：随机森林（Random Forest）对候选预测因子进行排序，LASSO回归进行降维。选定的变量纳入多变量逻辑回归模型，以估计优势比（OR）和95%置信区间（CI）。在验证集中使用受试者工作特征曲线下面积（AUC）评估模型性能。结果：POD发生在137例患者（30.4%）中。通过随机森林和LASSO选择了6个变量。逻辑回归显示，术中低氧是最强的预测因子（OR 6.69，95% CI 2.90–16.6），其次为手术史（OR 2.55，95% CI 1.22–5.32）和更高的ASA分级（ASA 2：OR 2.31，95% CI 1.20–4.54；ASA 3：OR 2.01，95% CI 0.99–4.15）。肌酐（每μmol/L）和气道管理类型也显示出较小的关联，而入院至手术时间无统计学意义。该模型在验证集中AUC为0.704，表明具有中等区分度。结论：在行TKA的老年人中，术中低氧、既往手术史和更高的ASA分级与POD风险相关。该初步的机器学习辅助逻辑回归模型在内部验证中显示出中等区分度，在常规临床应用前应进行外部验证。
**论文解读：机器学习辅助逻辑回归模型预测老年人全膝关节置换术后谵妄**
**研究背景与问题**
术后谵妄（post-operative delirium, POD）是老年患者全膝关节置换术（total knee arthroplasty, TKA）后常见的神经系统并发症，显著延长住院时间、损害功能恢复并导致不良预后。尽管已有多种风险因素被识别，如高龄、高ASA分级、既往卒中史等，但针对TKA这一特定手术程序的预测模型仍较为有限。现有研究多聚焦于单个风险因素或传统回归工具，缺乏整合多维数据的能力。机器学习（machine learning, ML）方法可捕捉非线性关系，但尚未在老年TKA患者中得到充分验证。因此，研究人员旨在开发并内部验证一个基于常规围手术期临床变量的机器学习辅助逻辑回归模型，以早期识别高危患者。
**研究设计与方法**
研究人员在温州医科大学附属衢州医院（衢州市人民医院）进行了一项回顾性队列研究，纳入2024年1月至2025年12月期间接受择期初次TKA的451例老年患者（年龄≥60岁）。主要结局为术后7天内POD，采用意识模糊评估法（Confusion Assessment Method, CAM）或CAM-ICU诊断。变量选择采用两阶段机器学习辅助流程：首先使用随机森林（Random Forest, RF）对44个候选变量进行重要性排序，保留正向排列重要性得分的18个变量；随后应用LASSO回归进行降维，最终选择6个非零系数变量（手术史、入院至手术时间、术前肌酐、ASA分级、全身麻醉类型、术中低氧）。这些变量纳入多变量逻辑回归模型，计算优势比（odds ratio, OR）和95%置信区间（confidence interval, CI）。模型性能在独立验证集（30%数据）中通过受试者工作特征曲线下面积（area under the ROC curve, AUC）评估，并采用决策曲线分析（decision curve analysis, DCA）评估临床净获益。
**研究结果**
**基线特征**：POD发生率为30.4%（137/451）。谵妄组患者年龄更大、肌酐水平更高、手术史和术中低氧发生率更高（均P<0.05）。
**变量选择**：RF排序显示，术中低氧（重要性10.38）、入院至手术时间（4.18）和术前肌酐（3.85）为前三重要变量。LASSO回归进一步筛选出6个预测因子：手术史、入院至手术时间、术前肌酐、ASA分级、全身麻醉类型和术中低氧。
**回归模型与性能**：多变量逻辑回归显示，术中低氧与POD关联最强（OR 6.69，95% CI 2.90–16.6），其次是手术史（OR 2.55，95% CI 1.22–5.32）和ASA分级（ASA 2：OR 2.31，95% CI 1.20–4.54；ASA 3：OR 2.01，95% CI 0.99–4.15）。肌酐每增加1 μmol/L可增加2%风险（OR 1.02，95% CI 1.01–1.03），而气管插管相比喉罩通气的风险较低（OR 0.57，95% CI 0.33–0.99）。入院至手术时间无显著关联（OR 1.34，95% CI 0.80–2.22）。模型在验证集中AUC为0.704，校准截距为-0.77，校准斜率为1.26，Brier评分为0.182。DCA显示模型在多数阈值概率下净获益优于“全部治疗”或“不治疗”策略。Bootstrap内部验证（1000次重抽样）显示乐观校正后AUC为0.704，乐观度约为0.051。所有预测因子方差膨胀因子（VIF）均接近1，无多重共线性问题。
**讨论与结论**
讨论部分指出，术中低氧是POD的最强预测因子，与既往研究一致，可能反映氧合障碍导致的神经认知脆弱性，但需注意其为关联因素而非因果关系。ASA分级反映术前虚弱和多病共患，其与POD的关联已有充分证据。手术史则较少被强调，可能代表累积手术负担或基础疾病严重性，需外部验证。肌酐升高提示肾功能障碍可能通过代谢储备下降和炎症反应增加风险。气道管理类型（气管插管与喉罩）的关联为探索性发现，需谨慎解释。模型基于常规变量且以逻辑回归形式呈现，具有可解释性，但AUC仅约0.70，区分度中等，且为单中心回顾性研究，未进行外部验证。局限性包括：排除缺失数据可能引入偏倚，谵妄评估依赖回顾性病历记录和电话随访，缺乏术前认知、衰弱、用药史等重要变量。因此，该模型仅为初步候选工具，需前瞻性外部验证和重新校准后方可临床使用。
**研究结论翻译**：在这项针对行全膝关节置换术老年患者的回顾性队列研究中，研究人员开发了一个初步的机器学习辅助逻辑回归模型用于预测术后谵妄。术中低氧、既往手术史、更高的ASA分级、术前肌酐和气道管理类型与POD风险相关。该模型在内部验证中显示出中等区分度，提示常规可获得的围手术期变量可能有助于识别高危患者。在模型可被推荐用于常规临床实践之前，还需要进行外部验证和前瞻性评估。
