用于预测胸外科手术后老年患者谵妄的机器学习模型开发

《BMC Anesthesiology》：Development of machine learning models for predicting delirium in elderly patients after thoracic surgeries

　　

摘要

背景

术后谵妄是一种常见的麻醉和手术后的神经系统并发症，会导致合并症增多和死亡率上升。本研究基于机器学习算法，开发并内部验证了一种用于预测接受胸腔手术的老年患者是否会出现术后谵妄的机器学习模型。

方法

研究从2015年1月到2022年12月期间，通过电子方式检索了那些接受选择性肺段切除术、肺叶切除术或食管切除术且使用全身麻醉的老年患者。研究人员收集了这些患者的临床特征、术前实验室检测数据以及术中各项参数。随后运用最小绝对收缩和选择算子回归法筛选出与术后谵妄相关的关键因素。在训练数据集（占参与者的80%）中，研究人员使用了九种不同的机器学习算法来构建预测模型，并在验证数据集（占参与者的20%）中评估这些模型的性能。同时，还通过接收者操作特征曲线下面积来比较这九种机器学习模型的预测效果。模型校准情况则通过布里尔分数来评估。最终，确定了最优模型，并利用沙普利加性解释法对该模型进行解读。

结果

共有3967名老年患者参与了研究，其中277人出现了术后谵妄。研究确定，术前白细胞计数、术前空腹血糖水平、术中低血压、心律失常、联合神经阻滞麻醉、高血压、术中使用血管活性药物、当前吸烟状况、是否需要输血、是否使用糖皮质激素、ASA分级以及是否采用视频辅助胸腔镜技术，这些都是影响术后谵妄发生的预测因素。其中，XGBoost模型的预测效果最佳（AUC值为0.936，95%置信区间为0.932–0.941），其模型校准方面的布里尔分数也最低，为0.110。对模型影响最大的三个预测因素分别是术前白细胞计数、术前空腹血糖水平以及术中低血压。

结论

本研究成功开发出了用于预测接受胸腔手术的老年患者是否会出现术后谵妄的机器学习模型。如果该模型能够得到进一步验证，有望作为辅助工具，帮助对术后谵妄的风险进行分层评估。