基于双时间点CT容积特征与临床特征的机器学习模型预测反复肺切除术术中难治性低氧血症的多中心回顾性研究

《npj Digital Medicine》：Development and validation of a machine learning model for the preoperative prediction of intractable hypoxemia in repeat lung surgery

摘要

低氧血症，尤其是长时间持续的低氧血症，在反复肺切除术（RPR）的单肺通气（OLV）过程中构成重大挑战，因为仅凭术前肺功能检查（PFTs）难以有效预测风险。本研究为多中心回顾性研究，纳入来自七家中国医院的2040例RPR患者（2013年至2023年），将19种机器学习算法结合基于包装的特征选择方法进行对比，利用围术期双时间点（首次手术前和第二次手术前）数据开发预测模型。15.4%的RPR患者发生难治性低氧血症。仅基于PFTs的模型表现不佳（训练队列中受试者工作特征曲线下面积 [AUROC] < 0.6，精确率-召回率曲线下面积 [AUPRC] < 0.2），而最终确定的5变量多元自适应回归样条（MARS）模型表现出稳定的判别能力，在训练队列中AUROC为0.790（AUPRC：0.445；基线发生率：0.133），在三个验证队列中的AUROC分别为0.750、0.765和0.782（对应AUPRC：0.641、0.529和0.473，基线发生率分别为0.349、0.173和0.180）。校准度可接受，决策曲线分析显示具有正向净收益。通过整合双时间点CT衍生的容积特征和临床特征，该MARS模型可能有助于RPR术中难治性低氧血症的术前风险评估，但仍需前瞻性验证。