基于机器学习的高龄骨科手术患者苏醒期躁动预测模型的开发与验证:一项前瞻性队列研究

《Frontiers in Medicine》:Development and validation of a machine learning-based prediction model for emergence agitation in geriatric patients undergoing orthopedic surgery: a prospective cohort study

【字体: 大 中 小 】 时间:2026年10月14日 来源:Frontiers in Medicine 3.6

编辑推荐:

  目的: 本研究旨在识别接受骨科手术的高龄患者发生苏醒期躁动的相关因素,并开发一种用于预测苏醒期躁动风险的机器学习模型。 方法: 这项前瞻性队列研究纳入了2025年4月至2026年4月期间在辽宁省锦州医科大学附属第一医院接受择期骨科手术的612例高龄患者。研究人

  
目的: 本研究旨在识别接受骨科手术的高龄患者发生苏醒期躁动的相关因素,并开发一种用于预测苏醒期躁动风险的机器学习模型。 方法: 这项前瞻性队列研究纳入了2025年4月至2026年4月期间在辽宁省锦州医科大学附属第一医院接受择期骨科手术的612例高龄患者。研究人员将患者按7:3的比例随机分为训练集(n=430)和测试集(n=182)。采用最小绝对收缩和选择算子(LASSO)回归及多变量逻辑回归分析来识别预测因子。研究人员运用六种机器学习算法开发了预测模型,并使用受试者工作特征曲线下面积(AUC)、校准曲线和决策曲线分析(DCA)评估模型性能,同时采用Shapley加法解释(SHAP)对最优模型进行解读。 结果: 接受骨科手术的高龄患者苏醒期躁动的发生率为27.61%。术前焦虑、术前认知功能、右美托咪定使用、术中低体温、术中失血量及术后NRS疼痛评分被确定为关键预测因子。随机森林(RF)模型表现最佳,在测试集上达到了0.905的AUC、0.819的准确率、0.820的敏感度、0.818的特异度、0.713的F1分数以及0.111的Brier分数。决策曲线分析显示该模型具有最高的临床净获益。SHAP分析揭示,术中失血量是最重要的预测因子,其次是术后NRS疼痛评分和术前认知功能。 结论: 研究人员开发并内部验证了六个用于预测接受骨科手术的高龄患者发生苏醒期躁动风险的机器学习模型,其中RF模型取得了最佳性能。在多中心队列中成功完成外部验证后,该模型可能有助于临床医生在麻醉后监护室(PACU)早期恢复阶段识别出苏醒期躁动风险增加的患者,并优先加强监测和及时的支持性管理。
一、研究背景与意义
在全球人口老龄化背景下,老年人生理功能逐渐衰退,退行性脊柱关节疾病及跌倒的发生率高,导致接受骨科手术的高龄患者数量持续增加。骨科手术部位血管神经分布密集、手术创面较大、术中体位固定时间长以及术后疼痛剧烈,使患者在苏醒期易出现过度兴奋甚至躁动。此外,高龄患者常合并多种基础疾病,器官功能随年龄增长而减退,代偿储备和应激反应能力下降,进一步增加了苏醒期躁动的风险。
苏醒期躁动是全麻后常见的并发症,是一种发生于苏醒期的急性、自限性的精神运动性兴奋状态,主要表现为意识混乱、躁动不安、定向障碍和无目的的肢体活动。尽管通常仅持续数分钟至数十分钟,但可导致严重不良事件,如手术切口裂开、非计划性拔管、坠床及医护人员受伤等。强烈的交感激活还会引起显著的心动过速和血压波动,增加心脑血管事件的风险,延长PACU停留时间和总住院时间,阻碍加速康复外科目标的实现。因此,对接受骨科手术的高龄患者进行苏醒期躁动的早期筛查和精准风险评估,对于保障围术期安全和提升PACU效率至关重要。
既往关于苏醒期躁动危险因素的研究主要集中在儿科和胸外科手术患者,针对高风险的高龄骨科患者的大样本高质量研究相对有限,现有证据多局限于单变量分析或小样本回顾性设计。传统风险预测模型主要依赖逻辑回归等线性方法,难以捕捉变量间复杂的非线性交互作用,限制了其预测精度。近年来,作为人工智能重要分支的机器学习在医学风险评估与预测领域应用日益广泛,在处理高维复杂临床数据和捕捉非线性关系方面具有独特优势,但在高龄骨科手术患者苏醒期躁动风险预测中的应用尚属空白。在此背景下,本研究采用多种机器学习算法,开发并内部验证了针对此类患者的风险预测模型,旨在将其作为PACU早期风险分层工具应用于临床。
二、主要关键技术方法
研究人员采用便利抽样法,纳入2025年4月至2026年4月期间在辽宁省锦州医科大学附属第一医院接受择期骨科手术的612例高龄患者。数据预处理包括缺失值插补和标准化。特征筛选分两步进行:首先在训练集中使用LASSO回归进行初始筛选,随后将入选变量纳入多变量逻辑回归分析以确定独立预测因子。基于统一的预测因子集,研究人员采用六种机器学习算法(包括随机森林RF、逻辑回归LR、支持向量机SVM、K近邻KNN、多层感知器MLP和极限梯度提升XGBoost)构建预测模型。数据集按7:3比例随机分为训练集(n=430)和测试集(n=182),采用5折交叉验证结合网格搜索进行超参数优化,并以最大化约登指数确定最优分类阈值。模型性能评估指标包括AUC、校准曲线、Brier分数和决策曲线分析DCA,并通过SHAP方法对最优模型进行可解释性分析。
三、研究结果
3.1 基线特征
本研究共纳入612例患者,其中169例发生苏醒期躁动,发生率为27.61%。训练集和测试集的苏醒期躁动发生率分别为27.67%和27.47%,两组患者特征差异无统计学意义,表明两组均衡可比。
3.2 特征选择
在训练集中,LASSO回归在最小化交叉验证误差的最优正则化参数λ.min=0.013451处保留了10个非零回归系数变量,包括性别、BMI、术前焦虑、术前认知功能、术前血红蛋白、右美托咪定使用、术中低体温、术中失血量、留置导尿管和术后NRS疼痛评分。进一步的多变量逻辑回归分析显示,术前焦虑、术前认知功能、右美托咪定使用、术中低体温、术中失血量和术后NRS疼痛评分为接受骨科手术的高龄患者发生苏醒期躁动的独立预测因子。
3.3 模型性能比较
在测试集上,RF模型表现最优,其AUC为0.905,准确率为0.819,敏感度为0.820,特异度为0.818,F1分数为0.713,Brier分数为0.111。所有模型在测试集上的AUC较训练集下降均未超过10%,表明不存在明显过拟合。校准曲线显示RF模型的预测概率最接近真实风险,其校准截距为-0.024,校准斜率为1.100,均接近理想标准。决策曲线分析表明,在20%至70%的阈值概率范围内,大多数模型的净获益优于“全不治疗”和“全部治疗”策略,其中RF模型在多数阈值概率下获得了最高且最稳定的净获益。综合来看,RF模型在区分度、校准度和临床效用方面均表现出色,被确定为最优预测模型。
3.4 模型解读
SHAP特征重要性图显示,术中失血量对RF模型预测的贡献最大,其次为术后NRS疼痛评分、术前认知功能、术前焦虑、右美托咪定使用和术中低体温。SHAP概要图进一步揭示了各特征的具体影响模式:较高的术中失血量、较高的术后NRS疼痛评分、术前认知功能受损、较高的术前焦虑水平以及术中低体温在不同程度上与更高的预测躁动风险呈正相关,而右美托咪定使用则与预测躁动风险呈负相关。
四、讨论与结论总结
讨论部分指出,RF模型相较于逻辑回归等更简单模型在AUC上的提升幅度较小,这种增量改善能否转化为临床意义上的优势仍不确定。研究人员从围术期脑脆弱性的概念框架出发,将识别出的预测因子置于脆弱性-应激源框架中进行解读:术前认知功能损害和焦虑代表了基线易感性的不同维度,降低了老年患者应对围术期干扰的代偿能力;而术中失血量、低体温和急性术后疼痛则被视为作用于这一潜在脆弱性的围术期生理应激源,可能通过影响脑灌注、代谢和神经递质传递等途径扰乱中枢稳态;右美托咪定作为一种术中治疗暴露,可能通过镇静、抗焦虑和抗交感效应调节苏醒期间的应激反应,但其关联应视为预测性而非因果性。该模型被明确定位为PACU入院后的早期风险分层工具,而非术前筛查工具,因为其预测因子集包含术中变量和即刻术后疼痛评分。未来需进行多中心外部验证以评估模型的稳定性和泛化能力,并在PACU环境中开展前瞻性干预性研究以评估模型指导下的护理能否改善患者预后。
研究结论:本研究确定了术中失血量、术后NRS疼痛评分、术前认知功能、术前焦虑、右美托咪定使用和术中低体温为接受骨科手术的高龄患者发生苏醒期躁动的预测因子。研究人员开发了六个机器学习模型用于预测苏醒期躁动风险,其中RF模型展现出最佳的预测性能。SHAP分析使模型具有良好的可解释性。该模型被定位为PACU入院后的早期风险分层工具,这与所有纳入预测因子的时间可用性一致。然而,上述发现仅基于单中心内部验证,因此在临床应用前有必要进行未来的多中心外部验证以评估其稳定性和泛化能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号