《Frontiers in Cardiovascular Medicine》:A clinical-deep learning model for prolonged length of stay following endovascular aortic repair
编辑推荐:
摘要
背景: 腹主动脉瘤(abdominal aortic aneurysm,AAA)行腔内修复术(endovascular aortic repair,EVAR)后住院时间延长(prolonged length of stay,PLOS)与并发症增加、医疗资
摘要
背景: 腹主动脉瘤(abdominal aortic aneurysm,AAA)行腔内修复术(endovascular aortic repair,EVAR)后住院时间延长(prolonged length of stay,PLOS)与并发症增加、医疗资源负担加重及患者痛苦增加相关。早期识别高风险患者仍具挑战性。本研究旨在开发并外部验证一个整合临床变量与术前计算机断层血管造影(computed tomography angiography,CTA)三维深度学习(three-dimensional deep learning,3D-DL)特征的预测模型,以预测EVAR术后PLOS。
方法: 研究从两家医院纳入788例接受择期EVAR的AAA患者。内部训练队列包含556例患者,外部验证队列包含232例患者。PLOS定义为住院时间(length of stay,LOS)超过分布第75百分位数。采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归及多因素logistic回归构建临床列线图。使用3D ResNet200网络从手动分割的CTA图像中提取深度学习(deep learning,DL)特征,并应用LASSO回归筛选最具信息量的特征。构建整合临床预测因子与所选DL特征的集成模型。采用受试者工作特征曲线、校准曲线及决策曲线分析评估模型性能。
结果: LASSO联合多因素logistic回归识别出5个独立临床预测因子:年龄、血红蛋白、白蛋白、最大动脉瘤直径及糖尿病。临床模型在内部队列中曲线下面积(area under the curve,AUC)为0.917,外部队列为0.944。从3D ResNet200网络提取32个DL特征,LASSO回归进一步筛选出其中2个特征。整合临床预测因子与DL特征的集成预测模型展现出更优的判别能力,内部队列AUC为0.971,外部队列为0.958。采用1,000次bootstrap重抽样的内部验证得出临床模型和集成模型的偏倚校正AUC分别为0.911和0.966。亚组分析显示模型在年龄和糖尿病分层中表现一致,而女性亚组的性能有待更大规模队列进一步评估。
结论: 本研究开发了预测EVAR术后PLOS的集成预测模型。该模型展现出优异的判别能力,并提供了超越单纯临床变量的显著预后价值。该列线图可作为该人群术前风险分层和资源配置的工具。未来研究应聚焦于前瞻性验证和临床整合。
论文解读:腹主动脉瘤腔内修复术后住院时间延长的临床-深度学习集成预测模型
一、研究背景与问题
腹主动脉瘤(abdominal aortic aneurysm,AAA)以腹主动脉永久性扩张为特征,随着人口老龄化和影像筛查的普及,其检出率不断上升。腔内修复术(endovascular aortic repair,EVAR)已成为符合手术干预标准的AAA患者的首选治疗方式。与传统开放手术相比,这一微创方法具有更短的手术时间、更低的围手术期死亡率以及更短的住院时间等优势。然而,术后恢复轨迹仍存在显著个体差异,相当一部分患者经历术后住院时间延长(prolonged length of stay,PLOS),这仍是重要的临床问题。PLOS不仅增加院内并发症风险,还导致医疗资源紧张、患者经济负担加重及医患矛盾加剧。
PLOS是评估手术结局和机构效率的常用指标,反映疾病严重程度、合并症状况、社会心理因素及机构特征之间的复杂交互。既往PLOS研究多聚焦于经济成本分析或与特定术后并发症的关联,而通过整合疾病相关特征进行PLOS早期预测的研究仍然匮乏,尤其在AAA行EVAR的患者中。机器学习(machine learning,ML)和深度学习(deep learning,DL)的进展为从多维数据中提取复杂模式创造了新机遇。传统影像组学依赖手工设计的数学描述符量化图像强度、形状和纹理;而DL方法,尤其是三维(three-dimensional,3D)卷积神经网络,可直接从计算机断层血管造影(computed tomography angiography,CTA)等容积医学图像中学习层次化特征表征。这种无需预定义即可推导高层抽象特征的能力,对于捕捉可能影响术后恢复的细微动脉瘤特征尤为有前景。基于此,研究人员开发并验证了一个整合术前CTA深度特征与患者人口统计学、合并症及手术变量的DL模型,以预测EVAR术后PLOS。
二、研究设计与主要技术方法
研究为回顾性临床预测分析,数据来源于广西医科大学第一附属医院和广西壮族自治区南溪山医院2014年1月至2025年12月期间接受EVAR的AAA患者。经纳入排除标准筛选后,最终纳入788例患者,其中内部训练队列556例来自广西医科大学第一附属医院,外部验证队列232例来自南溪山医院。PLOS定义为住院时间(length of stay,LOS)超过总体分布第75百分位数(即>12天)。
主要技术方法包括:其一,采用LASSO回归联合多因素logistic回归筛选临床预测因子并构建临床列线图;其二,使用ITK-SNAP软件对CTA动脉期图像进行AAA手动分割,采用3D ResNet200卷积神经网络提取32个DL特征,经LASSO回归筛选保留2个特征(DL0和DL1);其三,将所选DL特征与临床预测因子整合构建集成预测模型。模型性能通过受试者工作特征(receiver operating characteristic,ROC)曲线、校准曲线和决策曲线分析(decision curve analysis,DCA)评估,内部验证采用1,000次bootstrap重抽样计算偏倚校正AUC。
三、研究结果
3.1 临床特征
内部队列与外部验证队列在年龄和LOS方面存在显著差异(p<0.001),其余变量均衡(p>0.05)。PLOS定义为LOS>12天,对应总体LOS分布的第75百分位数。与non-PLOS组相比,PLOS患者年龄显著更大,血红蛋白和白蛋白水平更低,主动脉直径更大,糖尿病、高血压、COPD患病率更高,女性比例更高(p<0.05)。
3.2 临床预测因子筛选及临床预测模型性能
通过LASSO回归联合多因素logistic回归,最终确定5个独立临床预测因子:糖尿病、年龄、白蛋白、血红蛋白和最大动脉瘤直径。据此构建的临床列线图在内部队列中AUC为0.917(95% CI: 0.890–0.944),外部验证队列AUC为0.944(95% CI: 0.918–0.971)。经1,000次bootstrap内部验证,表观AUC为0.917,估计乐观度为0.006,偏倚校正AUC为0.911。校准曲线和DCA均显示模型具有良好的校准度和临床净获益。
3.3 DL特征筛选及集成预测模型性能
从3D ResNet200网络全连接层提取32个DL特征(DL0-DL31),经LASSO回归采用one-standard-error规则保留DL0和DL1两个特征。多因素logistic回归显示DL0、DL1、糖尿病、年龄、白蛋白、血红蛋白和最大动脉瘤直径均为PLOS的独立预测因子(p<0.05)。集成模型在内部队列AUC为0.971(95% CI: 0.955–0.987),外部验证队列AUC为0.958(95% CI: 0.935–0.981)。内部验证得出表观AUC为0.971,估计乐观度为0.005,偏倚校正AUC为0.966。DeLong检验显示内部队列AUC改善显著(ΔAUC=0.054,p<0.001),连续净重分类改善指数(net reclassification improvement,NRI)为1.548(p<0.001),综合判别改善指数(integrated discrimination improvement,IDI)为0.337(p<0.001)。外部队列AUC增益较小且处于临界(ΔAUC=0.014,p=0.059),但连续NRI(1.246,p<0.001)和IDI(0.219,p<0.001)仍显著。以Youden指数确定集成列线图最优概率阈值为0.30,内部队列灵敏度91.2%、特异度93.7%、阳性预测值78.8%、阴性预测值97.6%、准确率93.2%;外部队列对应值分别为73.2%、97.3%、93.8%、86.9%和88.8%。
3.4 亚组分析
集成模型在年龄分层(≤75岁:AUC 0.952;>75岁:AUC 0.960)和糖尿病状态(无糖尿病:AUC 0.961;糖尿病:AUC 0.941)中表现一致。性别分层中,男性AUC为0.965,女性为0.915;按中心进一步分层后,内部中心女性AUC为0.974,外部中心女性AUC为0.859。但女性亚组样本量有限,置信区间较宽,无法得出确定性结论。
四、讨论与结论
讨论总结: 该研究首次专门针对AAA患者EVAR术后PLOS构建预测模型。临床列线图纳入5个易于获取的术前变量,在内部和外部队列均展现良好判别能力。年龄、贫血、低白蛋白血症、大动脉瘤直径和糖尿病均与EVAR不良结局有明确关联。3D ResNet200提取的DL特征经LASSO筛选后仅保留2个特征即显著提升模型判别能力,提示术前CTA影像蕴含传统临床变量无法捕捉的预后信息。集成模型在30%阈值下展现出高特异度和优异阴性预测值,尤其适用于排除PLOS风险。外部验证队列中观察到系统性风险低估,表现为校准截距为1.633(p<0.001),但校准斜率为0.859(p=0.221),与1无显著差异,提示模型保留了患者间的相对风险排序。研究人员未进行事后截距再校准,以保持外部验证的诚实性。与ASA分级、NSQIP手术风险计算器和Glasgow动脉瘤评分(Glasgow Aneurysm Score,GAS)等现有工具相比,该模型专门针对EVAR术后PLOS预测,具有独特定位。局限性包括回顾性设计、单一外部验证中心、女性样本量小、手动分割未进行一致性评估、DL特征缺乏直接解剖可解释性、以及LASSO特征选择未采用嵌套重抽样框架。
结论翻译: 本研究开发了预测EVAR术后PLOS的集成预测模型。该模型展现出优异的判别能力,并提供了超越单纯临床变量的显著预后价值。该列线图可作为该人群术前风险分层和资源配置的工具。未来研究应聚焦于前瞻性验证和临床整合。