机器人甲状腺手术并发症预测模型的开发与验证

《Updates in Surgery》：Development and validation of a predictive model for complications in robotic thyroid surgery

　　

机器人甲状腺手术（RTS）因其微创性和改善的美容效果而受到欢迎。然而，在手术者学习曲线完成之前，可能会出现甲状旁腺功能减退、出血和感染等并发症。本研究的目的是在学习曲线完成之前开发并验证一种预测RTS并发症的模型。研究人员回顾性分析了2020年1月至2022年12月期间在本机构接受RTS的236例病例的数据。纳入病例的数据被分为训练集（n=165）和验证集（n=71）。收集了临床特征、手术细节和术后结果的数据。应用多种回归分析模型来确定并发症的独立因素。使用训练集和验证集构建并验证了列线图。总体并发症率为29.24%（69/236例患者）。多变量分析确定体重指数（BMI）（比值比[OR]=3.52，95%置信区间[CI]：1.179–11.05）、桥本甲状腺炎（HT）（OR=1.69，95% CI：1.44–2.05）和肿瘤大小（OR=2.37，95% CI：1.10–5.18）为并发症的独立预测因子。基于这些预测因子构建了列线图。验证集的C指数为0.8574（95% CI：0.762–0.9529），表明预测准确性良好。本研究提出并验证了一个列线图模型，用于在学习曲线完成之前预测RTS并发症。该模型可帮助临床医生进行术前咨询和决策，以最大程度地降低手术风险。

**论文解读：机器人甲状腺手术并发症预测模型的开发与验证——基于学习曲线早期的风险分层工具**

**研究背景与问题**

甲状腺癌，尤其是甲状腺乳头状癌（PTC），在全球范围内的发病率呈快速上升趋势。随着诊断技术（如超声和细针穿刺活检）的普及，早期检出率显著提高，但手术仍是主要治疗手段。传统开放甲状腺切除术虽疗效确切，但会在颈部留下明显疤痕，并引发颈部麻木、吞咽不适等并发症，严重影响患者术后生活质量，这一问题在年轻患者中尤为突出。为克服这些局限，内镜技术应运而生，但存在二维视野、器械操作受限及“筷子效应”等不足，导致学习曲线较长。机器人甲状腺手术（RTS）凭借其三维视野、灵活器械和隐蔽切口，进一步提升了微创效果和美观度，但同样面临学习曲线带来的并发症风险，如喉返神经（RLN）损伤、甲状旁腺功能减退、出血和感染等。尽管有研究证实，在经验丰富的外科医生手中，RTS的安全性可与开放手术相当，但学习曲线分析表明，医生需完成约50例手术才能达到熟练水平，且在此阈值前并发症发生率较高。然而，目前临床实践中缺乏基于证据的标准来识别高风险患者，以指导术前决策和降低并发症。因此，开展一项针对RTS学习曲线早期并发症预测模型的研究具有重要意义。

**研究概述与结论**

本研究由来自一家医学中心的研究人员开展，系统回顾性分析了2020年1月至2022年12月期间接受RTS的236例甲状腺乳头状癌（PTC）患者的临床数据。研究通过CUSUM分析确定学习曲线拐点，并采用多变量逻辑回归识别独立预测因子，构建并验证了列线图模型。结论指出，体重指数（BMI）、桥本甲状腺炎（HT）和肿瘤大小是并发症的独立预测因子，基于这三者构建的列线图在验证集中表现出良好的预测准确性（C指数=0.8574）。该模型可在术前为临床医生提供决策支持，帮助优化患者选择，尤其适用于初次学习曲线阶段的医生，从而降低手术风险。论文发表在《Updates in Surgery》。

**关键技术方法概述**

本研究采用回顾性队列设计，样本来自2020年1月至2022年12月期间同一医学中心接受RTS的236例PTC患者（队列来源已注明）。主要技术方法包括：1）通过CUSUM分析确定学习曲线拐点（第50例手术）；2）应用单变量和多变量逻辑回归分析筛选并发症的独立预测因子；3）基于筛选出的独立预测因子构建列线图（nomogram）；4）使用受试者工作特征曲线（ROC）及曲线下面积（AUC）、校准曲线、Hosmer-Lemeshow拟合优度检验、决策曲线分析（DCA）和临床影响曲线（CIC）进行模型内部验证（训练集n=165）和外部验证（验证集n=71）。研究者忽略了试剂、培养及质粒构建等具体操作步骤。

**研究结果**

**患者特征**
共纳入236例符合标准的患者，其中69例（29.24%）发生术后并发症，包括感染（0.42%）、出血（0.85%）、暂时性甲状旁腺功能减退（9.74%）、暂时性RLN损伤（12.28%）、永久性甲状旁腺功能减退（2.54%）和永久性RLN损伤（3.81%）。CUSUM分析显示学习曲线拐点为第50例手术。将病例按7:3比例分为训练集（n=165）和验证集（n=71），两组基线特征无显著差异。在训练集中，单变量分析显示，与无并发症组相比，并发症组在BMI、桥本甲状腺炎（HT）、肿瘤直径和甲状腺全切除术（TT）方面存在显著差异。

**模型开发**
基于训练集数据进行多变量逻辑回归分析，最终确定BMI（比值比[OR]=3.52，95%置信区间[CI]：1.179–11.05）、HT（OR=1.69，95% CI：1.44–2.05）和肿瘤大小（OR=2.37，95% CI：1.10–5.18）为并发症的独立预测因子。其中BMI的OR值最高，表明其对结局预测影响最大。基于这三个因子构建了列线图，用于直观评估个体患者的并发症风险。

**模型验证**
在训练集中，ROC曲线分析显示AUC为0.8913，校准曲线表明预测结果与实际观测值高度一致（拟合优度检验p=0.1627）。DCA显示，当阈值概率在>1%至<80%之间时，使用该模型预测并发症风险可为患者带来净获益；临床影响曲线（CIC）显示，在阈值概率<80%时，模型分类为并发症阳性的患者更可能为真阳性。在验证集中，AUC为0.8574（95% CI：0.762–0.9529），校准曲线拟合良好（拟合优度检验p=0.757），DCA和CIC曲线同样具有较宽的阈值范围，进一步证实了模型的准确性和临床实用性。

**讨论与结论**

**讨论总结**
研究人员指出，本研究首次系统探索了RTS学习曲线期间并发症的风险因素，并构建了术前风险评估工具。BMI是预测能力最强的因素，肥胖患者因颈部脂肪组织增多、手术视野受限、器械操作空间减小以及伤口愈合能力差，并发症风险更高。桥本甲状腺炎（HT）患者甲状腺组织常伴有慢性炎症和纤维化，增加手术分离难度，并可能导致术后低钙血症。肿瘤体积较大时，可能压迫或侵犯周围组织（如RLN、甲状旁腺），增加手术难度和风险，尤其是在学习曲线阶段。该模型有助于优化患者选择，支持外科医生在技术学习过程中做出更谨慎的决策。研究局限性包括单中心设计、样本量较小、未与传统开放手术对比，以及部分并发症（如出血、感染）例数过少无法进行独立统计分析。未来需扩大样本量、纳入多中心数据并采用前瞻性设计，同时可结合人工智能和影像数据进一步提升模型性能。

**研究结论翻译**
总之，本研究确定了BMI、HT和肿瘤大小是外科医生学习曲线完成前RTS并发症的独立风险因素。同时构建了一个有效的预测模型，为临床实践提供了重要的决策支持工具。未来研究应进一步优化该模型，并探索其在更广泛人群中的适用性。