《Frontiers in Medicine》:Development and multicenter validation of a machine learning model for predicting in-hospital postoperative cardiac arrest in elderly surgical patients: the critical role of intraoperative hemodynamic disturbances and blood transfusion
编辑推荐:
背景: 院内心脏骤停(In-hospital cardiac arrest, IHCA)是老年外科手术患者中罕见但危及生命的并发症。本研究旨在开发并验证一个用于预测IHCA的机器学习模型,并识别关键的围手术期危险因素。
方法: 研究人员开展了一项多中心回顾性队
背景: 院内心脏骤停(In-hospital cardiac arrest, IHCA)是老年外科手术患者中罕见但危及生命的并发症。本研究旨在开发并验证一个用于预测IHCA的机器学习模型,并识别关键的围手术期危险因素。
方法: 研究人员开展了一项多中心回顾性队列研究,纳入2020年1月至2025年1月期间在六家三级医院接受非心脏手术的年龄≥65岁的患者。研究人员收集了临床、实验室及围手术期变量。研究人员开发并比较了五种机器学习算法,包括极限梯度提升(Extreme Gradient Boosting, XGBoost)、随机森林(Random Forest, RF)、支持向量机(Support Vector Machine, SVM)、多层感知器(Multilayer Perceptron, MLP)和K-最近邻(K-Nearest Neighbor, KNN)。模型性能通过受试者工作特征(receiver operating characteristic, ROC)分析、校准、决策曲线分析、交叉验证及外部验证进行评估。研究人员应用SHAP分析对最优模型进行解释。
结果: 在五种模型中,XGBoost表现出最佳的预测性能,在训练队列和验证队列中的曲线下面积(AUC)分别为0.967和0.960。该模型还获得了最低的Brier分数和最高的临床净收益。外部验证确认了其卓越的区分度(AUC=0.971)和校准度。SHAP分析确定高龄、术中心动过速、术中低血压、术中输血、术中低氧血症、术后中性粒细胞与淋巴细胞比值(neutrophil-to-lymphocyte ratio, NLR)升高、B型利钠肽(B-type natriuretic peptide, BNP)、乳酸和D-二聚体水平升高是IHCA最重要的预测因子。
结论: 一个基于XGBoost的可解释模型在预测老年患者术后心脏骤停方面表现出卓越的性能。所识别的危险因素反映了围手术期脆弱性、术中血流动力学不稳定及术后生理状况恶化。
论文解读
研究背景与现存问题
随着全球人口老龄化加速以及外科和麻醉技术的不断进步,接受手术的老年患者数量持续增加。由于进行性器官功能障碍、生理储备减少以及多种合并症的高患病率,高龄已被广泛认为是围手术期不良结局的主要危险因素。在围手术期并发症谱中,院内心脏骤停(In-hospital cardiac arrest, IHCA)是最具灾难性的事件之一,其死亡率极高,并显著延长住院时间、增加医疗资源使用和社会经济负担。因此,早期识别高危个体并实施精准的预防性干预具有至关重要的临床意义。
目前,常规的临床风险分层工具,如修订版心脏风险指数(Revised Cardiac Risk Index, RCRI)和美国麻醉医师协会(American Society of Anesthesiologists, ASA)身体状况分级,被广泛用于围手术期风险评估。然而,这些工具是为更广泛的围手术期或心血管风险评估而开发的,并非专门用于预测IHCA。其目标结局和预期应用与IHCA这一相对罕见但灾难性的事件并不直接对应。此外,这些传统工具主要提供术前风险的相对笼统评估,可能无法充分捕捉老年非心脏手术患者的特定风险特征或术后IHCA发生前的动态生理变化。重要的是,目前临床实践中专门设计并常规用于预测术后IHCA的临床评分系统仍然有限。因此,需要一个整合患者脆弱性与围手术期生理紊乱的IHCA特异性预测模型,以提供更有针对性的风险分层,并促进早期识别可能受益于强化术后监测和个体化管理的高危患者。
近年来,机器学习方法在围手术期风险预测方面展现出巨大潜力。与传统统计方法相比,机器学习能够处理高维、非线性、异质性的多模态数据,自动识别变量间的复杂交互作用,并整合术前特征、术中血流动力学参数和术后生化指标。既往研究表明,机器学习模型在预测围手术期死亡率、主要心血管事件和术后并发症方面,其区分能力和校准度均优于传统方法。尽管如此,专门针对老年患者术后心脏骤停的机器学习预测模型仍然稀缺,整合围手术期多维临床信息的专门风险分层方法也仍然有限。因此,本研究旨在系统评估已建立的机器学习算法在预测老年非心脏手术患者术后IHCA中的性能,在独立队列中外部验证表现最佳的模型,并使用模型可解释性分析来刻画关键围手术期预测因子的相对贡献。
研究设计与技术方法
这是一项多中心回顾性队列研究,纳入了来自中国六家三级医院的7,327名老年外科手术患者。内部队列包含来自无锡市人民医院、无锡市第二人民医院和宜兴市人民医院的4,106名患者,外部队列则包括来自滕州市中心人民医院、滕州市中医医院和高密市人民医院的3,221名患者。研究人员首先通过单变量和多变量逻辑回归分析识别与IHCA独立相关的变量。随后,研究人员采用了五种互补的机器学习算法,包括极限梯度提升(Extreme Gradient Boosting, XGBoost)、随机森林(Random Forest, RF)、多层感知器(Multilayer Perceptron, MLP)、支持向量机(Support Vector Machine, SVM)和K-最近邻(K-Nearest Neighbor, KNN),进行特征选择。通过整合机器学习特征重要性与多变量逻辑回归结果,采用共识特征选择策略确定最终的候选预测因子集。模型开发仅在内部训练队列中进行,并通过交叉验证进行超参数优化。模型性能通过受试者工作特征曲线下面积(AUC)、校准曲线、Brier分数和决策曲线分析(Decision Curve Analysis, DCA)进行全面评估。最终,最优模型在完全独立的外部队列中进行了验证,并与ASA-PS和RCRI等传统风险分层工具进行了比较。此外,研究人员还应用了SHapley Additive exPlanations (SHAP)分析来提高模型的可解释性。
主要研究结果
内部与外部队列的基线特征: 研究共纳入7,327名老年手术患者,总体IHCA发生率为1.05%(77例)。内部队列和外部队列的IHCA发生率相似(1.07% vs. 1.03%,P = 0.845),但两个队列在多项人口统计学、合并症、围手术期和实验室变量上存在显著差异,表明开发人群和外部验证人群之间存在实质性异质性。
术后IHCA危险因素的识别: 单变量逻辑回归分析显示,高龄(≥80岁)、术中低血压、术中心动过速、术中低氧血症(SpO? < 90%)、输血、中性粒细胞与淋巴细胞比值(NLR ≥ 3)升高、B型利钠肽(BNP ≥ 400 pg/mL)升高、心肌肌钙蛋白T(cTnT ≥ 0.03 ng/mL)升高、心肌肌钙蛋白I(cTnI ≥ 0.04 ng/mL)升高、乳酸(≥ 2.0 mmol/L)升高、D-二聚体(≥ 2.0 mg/L)升高、低钾血症和高钾血症均与术后IHCA风险增加显著相关。多变量逻辑回归分析确定,术中心动过速(OR = 41.482)是最具影响力的独立预测因子,其次是输血(OR = 34.579)、术中低氧血症(OR = 23.593)、NLR ≥ 3(OR = 23.711)、D-二聚体 ≥ 2.0 mg/L(OR = 22.771)、术中低血压(OR = 16.876)、高钾血症(OR = 17.082)、低钾血症(OR = 14.734)、乳酸 ≥ 2.0 mmol/L(OR = 9.334)、高龄(OR = 8.158)、cTnI(OR = 6.025)、BNP(OR = 4.649)和cTnT(OR = 4.492)。
使用机器学习算法进行特征选择: 通过五种机器学习算法的特征重要性排序和共识特征选择策略,研究人员确定了最终的预测因子集,这些因子在传统统计证据和机器学习预测重要性方面均表现一致。
模型开发与内部验证: 在五种模型中,XGBoost表现最佳,在训练队列和内部验证队列中的AUC分别为0.967和0.960,并获得了最低的Brier分数和最高的临床净收益。10折交叉验证进一步证实了模型的稳健性。学习曲线、Kolmogorov-Smirnov (K-S) 统计量和混淆矩阵等额外诊断分析也证实了模型良好的学习动态、判别性能和分类可靠性。
外部验证: 在完全独立的外部队列中,XGBoost模型保持了卓越的区分能力(AUC=0.971)和良好的校准度,证实了模型的泛化能力。
与传统风险分层工具的比较: 在内部验证队列中,XGBoost模型的AUC显著高于ASA-PS和RCRI,表明其在预测老年患者术后IHCA方面具有更优的判别性能。
模型可解释性: SHAP分析显示,高龄、术中心动过速、术中低血压、术中输血、术中低氧血症、术后NLR升高、BNP、乳酸和D-二聚体水平升高是预测IHCA的最重要因素。SHAP决策图进一步展示了个体化预测路径,说明了临床变量组合如何将基线风险转变为最终的预测概率。
结论与意义
本研究成功开发并外部验证了一个基于XGBoost的可解释机器学习模型,用于预测老年非心脏手术患者术后30天内发生院内心脏骤停的风险。该模型整合了术前特征、术中血流动力学事件和术后早期实验室指标,表现出卓越的判别能力、良好的校准度和临床实用性,显著优于传统的ASA-PS和RCRI风险分层工具。研究识别的关键危险因素反映了围手术期脆弱性、术中血流动力学不稳定和术后生理状况恶化。该模型旨在术后早期使用,基于IHCA发生前可获得的临床信息,帮助外科医生、麻醉医生、重症医学科医生等临床工作者识别可能受益于更密集和个体化术后监测与管理的高危患者,从而支持临床注意力和监测资源的更有针对性分配。该模型并非取代临床判断或规定特定干预措施,而是作为一种决策支持工具,帮助区分需要强化监测的患者与风险相对较低的患者。