《International Journal of Obesity》:Decision tree-based prediction of 5-year weight trajectories after bariatric surgery in adolescents and young adults: a retrospective cohort study from France and Sweden
编辑推荐:
摘要:背景:减重代谢手术(Metabolic-Bariatric Surgery, MBS)是经筛选青少年严重肥胖者的有效治疗手段,但术后体重减轻程度难以预测。已有基于7项术前特征开发的成人术后5年体重轨迹机器学习计算器,本研究旨在将其改良并验证于青少年人群。
摘要:背景:减重代谢手术(Metabolic-Bariatric Surgery, MBS)是经筛选青少年严重肥胖者的有效治疗手段,但术后体重减轻程度难以预测。已有基于7项术前特征开发的成人术后5年体重轨迹机器学习计算器,本研究旨在将其改良并验证于青少年人群。方法:采用法国与瑞典2001–2022年间12–20岁首次接受Roux-en-Y胃旁路术(RYGB)、袖状胃切除术(SG)或可调节胃绑带术(AGB)患者的回顾性队列数据。主要结局为预测与实测5年体质指数(BMI, kg/m2)之间的中位绝对偏差(Median Absolute Deviation, MAD)。将成人模型在80%青少年随机亚组中进行训练,剩余20%用于测试。结果:共纳入2255例患者(女性1705例[75.6%],中位年龄19岁)。法国患者5年随访率59%,瑞典38%。RYGB、SG、AGB的中位5年总体重减少率(Total Weight Loss, TWL)分别为30.2%(IQR 23.9–38.6)、23.4%(IQR 13.7–32.8)和13.4%(IQR 0.0–30.1)。改良模型预测5年BMI的MAD为3.7 kg/m2(95% CI [3.3–3.9]);RYGB预测精度最高(MAD 3.2 kg/m2),SG次之(MAD 3.9 kg/m2),AGB较低(MAD 7.3 kg/m2);预测准确性随随访时间延长而下降,<19岁者预测偏差更大。年龄、身高、体重及手术方式是5年减重效果的影响因素;2型糖尿病(T2DM)影响术后2年内减重但对5年结局无影响。结论:该模型对青少年术后5年体重轨迹具有可接受预测精度,准确性受手术方式及年龄影响,并可在线使用(https://bariatric-weight-trajectory-prediction.univ-lille.fr/)。
本文解读对象为发表于《International Journal of Obesity》的研究:"Decision tree-based prediction of 5-year weight trajectories after bariatric surgery in adolescents and young adults: a retrospective cohort study from France and Sweden"。
【研究背景】
青少年严重肥胖患病率持续上升,常伴早发合并症及显著心理社会负担,传统生活方式干预减重效果有限。对于严格筛选的青少年严重肥胖患者,减重代谢手术(Metabolic-Bariatric Surgery, MBS;含Roux-en-Y胃旁路术RYGB、袖状胃切除术Sleeve Gastrectomy, SG、可调节胃绑带术Adjustable Gastric Banding, AGB)是实现持续体重减轻和改善合并症的最有效手段,但手术存在急/慢性并发症风险且个体间减重效果差异大。不切实际的术后期望值可导致失望甚至加重精神心理问题,因此术前向患者及家属提供个体化、循证的预期体重减轻轨迹至关重要。此前已有研究者基于7项术前变量(体重、身高、手术方式、手术时年龄、吸烟史、2型糖尿病Type 2 Diabetes, T2DM状况及病程)利用决策树开发并验证了成人版减重轨迹预测计算器,但在青少年人群中尚未得到验证与适配。鉴于青少年处于独特生理及心理发育阶段,成人模型是否适用于该群体尚不明确,故本研究拟将成人决策树模型迁移至青少年队列进行训练验证,并探讨手术方式及人口学特征对预测精度的影响。
【主要技术方法】
研究人员采用法国(5所学术医疗中心,2001–2022年,n=329)与瑞典(全国SOReg注册库,n=1926)12–20岁首次接受RYGB/SG/AGB的回顾性合并队列(总n=2255)。按手术亚组分层随机抽取80%患者为训练集,20%为测试集。沿用成人研究中经LASSO筛选的7项基线预测变量,采用分类与回归树(Classification and Regression Tree, CART)算法拟合术后12、24、36、60个月的总体重减少率(Total Weight Loss, TWL%),通过代价复杂度剪枝确定最优子树。主要评价指标为预测与实测BMI之间的中位绝对偏差(Median Absolute Deviation, MAD)及95%置信区间(Bootstrap法),辅以Bland-Altman图评估校准度。按手术方式、年龄(≤19岁 vs >19岁)、T2DM状态进行亚组分析。
【研究结果】
■ 研究对象基线特征与减重轨迹
法国队列AGB占比最高(50%),瑞典以RYGB为主(87%),中位年龄19岁(范围12–20岁),女性占75.6%,T2DM患病率3.4%。5年随访可用数据法国59%、瑞典38%。整体观察到体重最低点出现在术后1–2年,其后有轻度反弹;RYGB中位5年TWL 30.2%(IQR 23.9–38.6),SG为23.4%(IQR 13.7–32.8),AGB为13.4%(IQR 0.0–30.1);SG术后体重回升比例高于RYGB。
■ 模型预测性能
在测试集中,青少年适配模型预测5年BMI的MAD为3.7 kg/m2(95% CI 3.3–3.9),对应归一化误差约12%。按术式分:RYGB MAD 3.2 kg/m2(精度最高),SG MAD 3.9 kg/m2,AGB MAD 7.3 kg/m2(精度明显偏低)。预测误差随随访时间延长增大;≤19岁亚组MAD高于>19岁亚组,即年龄越小预测精度越低。
■ 预测变量重要性分析
决策树分析显示手术方式是影响5年体重减轻预测的最主要因素;年龄、术前体重、身高亦影响5年减重幅度。T2DM状态对SG和RYGB术后24个月内体重减轻有负向影响,但对5年时体重轨迹无显著影响;吸烟史未显示对减重轨迹有影响;AGB各时间点未见其他有意义预测因子。
■ 在线计算器整合
研究人员将青少年适配的决策树模型整合入原有成人版在线计算器(
https://bariatric-weight-trajectory-prediction.univ-lille.fr/ ),可输出术后5年内个体化体重、BMI、TWL%或多余体重减少率(Excess Weight Loss, EWL)的预测曲线及预测区间(IQR)。
【讨论与结论翻译】
本研究中,研究人员将此前成人减重代谢手术后体重轨迹预测的机器学习模型进行适配与验证,证明基于5项简易术前变量(年龄、体重、身高、手术方式、T2DM状态)即可在青少年中预测5年术后BMI,精度达12%(MAD 3.7 kg/m2),虽略低于成人版(MAD 2.8 kg/m2)但仍具临床价值,是为首个针对青少年人群的验证预测工具。手术方式显著影响预测准确性——RYGB减重效果最显著且最可预测,SG中等,AGB因依赖依从性及可调性导致变异性大、预测性差。预测精度在<19岁青少年中降低,且随随访时间延长而下降,可能反映青少年独特的生长发育及行为心理因素未被现有成人变量完全捕捉。T2DM在青少年中少见且病程短,其早期负向影响体重减轻的作用在术后5年消失,与青少年T2DM术后较高缓解率相符。研究局限性包括回顾性设计、缺失部分社会心理及遗传参数、人群以欧洲白人为主尚待外部验证。综上,该改良决策树模型可合理预测青少年减重代谢手术后5年体重轨迹,其准确性受手术方式及年龄影响;该计算器可整合入临床实践,辅助医患共同决策与期望管理。
(原文Conclusion浓缩:The model had an acceptable accuracy for adolescents to predict 5-year postoperative weight loss trajectory. Accuracy decreased over time and was influenced by type of intervention and age. This calculator is available online.)