基于可解释机器学习模型的老年结直肠癌术后谵妄风险分层：开发与时序验证

《BMC Anesthesiology》：A web-based interpretable machine learning model for immediate postoperative delirium risk stratification in elderly patients undergoing colorectal cancer surgery

　　

摘要

背景

术后谵妄（POD）是老年结直肠癌手术患者的严重并发症之一，但准确且具有临床可解释性的风险分层仍然困难。本研究旨在开发并验证一种可解释的机器学习（ML）模型，用于对该特定人群术后即刻的POD风险进行分层。

方法

本前瞻性观察研究纳入了2021年3月至2025年5月期间，在单中心接受结直肠癌手术切除的连续≥65岁患者。数据集包括一个用于模型训练和内部测试的开发队列（n=922），以及一个随后的同中心时间验证队列（n=394）。采用受试者工作特征曲线下面积（AUC）、校准度指标和决策曲线分析（DCA）对8种机器学习算法进行了开发和评估。利用SHapley加性解释（SHAP）分析解读特征重要性。

结果

在8种模型中，神经网络（NNet）算法在预测性能方面表现出最佳的综合平衡，其AUC在训练集为0.861，内部测试集为0.841，时间验证队列为0.888。在时间验证中，该模型的准确率为0.827，F1得分为0.714，Brier得分为0.130，整体校准度和临床净获益良好。SHAP分析表明，认知障碍、年龄、虚弱程度、重症监护病房（ICU）收治和预后营养指数（PNI）是最具影响力的预测因素。研究开发了一个基于网络的计算器，可在术后即刻提供个体化的POD风险估计和风险分级。

结论

本前瞻性研究开发并进行了时间验证，建立了一个可解释的NNet模型，用于对接受结直肠癌手术的老年患者术后即刻的POD风险进行分层。该网络工具可能支持对高危患者进行早期识别、加强监测和及时预防性管理。在更广泛的临床应用之前，需要进行多中心外部验证。