《Journal of Multidisciplinary Healthcare》:Early Prediction of Postoperative Urinary Retention After General Anesthesia Using Explainable Machine Learning
编辑推荐:
目的:术后尿潴留(postoperative urinary retention, POUR)是一种常见且具有重要临床意义的围术期并发症,与药物效应和自主神经功能障碍相关,可能导致患者不适感增加和恢复延迟。其多因素病因使早期临床识别具有挑战性。本研究探讨了利用
目的:术后尿潴留(postoperative urinary retention, POUR)是一种常见且具有重要临床意义的围术期并发症,与药物效应和自主神经功能障碍相关,可能导致患者不适感增加和恢复延迟。其多因素病因使早期临床识别具有挑战性。本研究探讨了利用易于获取的无创围术期数据,通过机器学习早期预测全身麻醉后POUR的可行性,并进一步应用模型解释技术以提高透明度,识别对风险分层具有关键作用的临床特征。
材料与方法:这项回顾性单中心队列研究纳入国泰综合医院(Cathay General Hospital)522例在气管插管全身麻醉下接受手术并随后进入麻醉复苏室(post-anesthesia care unit, PACU)的成年住院患者。早期POUR定义为在PACU停留期间发生的术后尿潴留,通常在拔管后约一小时内。研究人员使用11项常规可获取的无创临床特征,开发并评估了多种机器学习模型以预测早期POUR。这些机器学习模型包括传统分类器、基于神经网络的模型以及集成学习算法,其中包含LightGBM——一种基于梯度提升的集成学习算法。研究人员采用SHapley加性解释(SHAP)分析来解读模型预测,并识别与早期POUR相关的关键临床特征。
结果:522例患者中有58例(11.1%)发生早期POUR。在评估的机器学习模型中,LightGBM在预测早期POUR方面表现出良好的总体分类性能,准确率为81.03%,F1分数为81.50%。逻辑回归在评估模型中取得了最高的受试者工作特征曲线下面积(AUC = 0.7099)。SHAP分析识别出几个关键预测因子,包括格隆溴铵使用、年龄、ASA分级、麻醉时长和术后疼痛。
结论:本研究表明,机器学习可能是早期POUR风险预测的一种可行方法。可解释的方法可能有助于个体化麻醉规划,并支持PACU中的临床决策,特别是在指导高风险患者的早期膀胱监测和导尿决策方面。
论文解读:基于可解释机器学习的全身麻醉术后尿潴留早期预测研究
一、研究背景与问题
术后尿潴留(postoperative urinary retention, POUR)是围术期常见且具有重要临床意义的并发症,定义为术后膀胱充盈状态下无法自主排尿。POUR的发生率在不同手术类型中差异显著,妇科及盆底重建手术中为2.5%–43%,腹股沟疝修补术中可达22%,总体报告范围为5%–70%。POUR可导致尿路感染、逼尿肌功能障碍、尿道创伤、患者不适、活动延迟及住院时间延长,并可能诱发谵妄和疼痛等额外并发症。其发病机制涉及多因素,包括患者相关因素、药理学因素和围术期因素。抗胆碱能药物如格隆溴铵可抑制逼尿肌收缩,阿片类药物通过激活μ和δ受体干扰膀胱功能,麻醉时间延长和急诊手术亦为独立危险因素。传统的风险评估方法依赖年龄、性别、麻醉类型等有限变量,难以充分捕捉复杂交互作用,导致预测准确性不足。既往预测模型多针对特定手术人群(如胸外科、脊柱外科、脱垂手术、妇科腹盆腔手术),且很少有研究系统比较多种机器学习分类器并结合模型可解释性;在台湾及亚洲多手术人群中的POUR机器学习预测研究仍较缺乏。因此,本研究旨在利用常规无创围术期变量,开发和评估可解释的机器学习模型,用于早期POUR预测。
二、研究设计与方法概要
这是一项回顾性单中心观察性研究,遵循TRIPOD-AI报告指南,经国泰综合医院伦理委员会批准(编号CGH-P114040)。研究纳入2019年1月1日至2024年11月1日期间在该院接受气管插管全身麻醉并入住麻醉复苏室(post-anesthesia care unit, PACU)的522例成年住院患者。早期POUR定义为PACU停留期间(通常在拔管后约一小时内)需要间歇性导尿的临床事件。研究人员基于11项常规无创临床特征(包括年龄、性别、体重、泌尿系统疾病史、心血管疾病史、麻醉时长、格隆溴铵使用、吸入麻醉药、阿片类药物、术后疼痛及ASA分级)开发预测模型。采用五折交叉验证评估10种机器学习算法,包括逻辑回归(Logistic Regression)、随机梯度下降(SGD)、支持向量机(SVM)、K近邻(KNN)、决策树、多层感知器(MLP)、人工神经网络(ANN)、随机森林(Random Forest)、极端梯度提升(XGBoost)和轻量梯度提升机(LightGBM)。针对类别不平衡,仅在训练折中应用合成少数类过采样技术(SMOTE),测试折保持原始分布。使用AUC、准确率、精确率、召回率和F1分数评估模型性能,并通过SHAP分析解释模型预测。
三、主要研究结果
(一)基线特征
522例患者中,女性271例(51.9%),男性251例(48.1%),58例(11.1%)发生早期POUR。单变量逻辑回归分析显示,年龄、ASA分级、泌尿系统疾病史、格隆溴铵使用及术后疼痛与POUR显著相关。
(二)模型性能
LightGBM表现出良好的总体分类性能,准确率为81.03%,F1分数为81.50%;随机森林准确率与之相同(81.03%),F1分数为81.11%。逻辑回归获得了最高的AUC值(0.7099),反映其最佳的区分能力。ANN(AUC=0.6228)和MLP(AUC=0.5888)区分性能较低。Friedman检验显示,模型间在准确率(p<0.0001)和F1分数(p<0.0001)上存在显著差异,但AUC差异未达统计学意义(p=0.0518)。LightGBM的Brier分数为0.1695,提示预测概率校准不理想,需谨慎解读。
(三)特征重要性分析
SHAP分析显示,格隆溴铵使用对模型预测影响最大,其高特征值主要分布在正SHAP区域,与抗胆碱能药物抑制逼尿肌收缩、增加尿道括约肌张力的药理机制一致。年龄是重要预测因子,年龄增长与正SHAP值相关,反映老年患者膀胱功能恢复延迟。ASA分级亦具有显著影响,较高ASA分级与正SHAP值相关,表明生理储备降低和全身疾病负担重的患者更易发生POUR。泌尿系统疾病史呈正向贡献,提示基础膀胱出口梗阻或逼尿肌功能受损增加风险。麻醉时长呈有趣模式:较短麻醉时长(≤90分钟)更常与正SHAP值相关,可能反映残余混杂因素或机构实践模式。术后疼痛亦呈明确正相关,可能与交感激活和逼尿肌功能受损有关。体重、阿片类药物使用、吸入麻醉和心血管疾病史的SHAP值较小,影响有限。
四、讨论与结论
讨论部分指出,格隆溴铵作为最显著预测因子,其机制在于竞争性拮抗毒蕈碱受体,破坏副交感介导的逼尿肌收缩和尿道括约肌协调松弛。相较于新斯的明联合格隆溴铵的常规逆转方案,舒更葡糖(sugammadex)通过包裹罗库溴铵逆转神经肌肉阻滞,不干扰毒蕈碱受体,可能降低POUR发生率。ASA分级、高龄、性别和泌尿系统疾病史等患者相关因素亦是关键决定因素。术后疼痛通过交感神经激活增加尿道内括约肌张力,同时阿片类镇痛药进一步抑制膀胱功能;非甾体抗炎药(NSAIDs)的多模式镇痛和外周神经阻滞可减少阿片用量,降低POUR风险。较短麻醉时长的正相关可能反映逆转策略的选择偏倚,而非因果保护效应。研究局限性包括:回顾性单中心设计、缺乏外部验证、POUR事件数较少、多手术人群的异质性、基于临床导尿记录而非标准化膀胱超声判定结局,以及SHAP解释仅反映模型行为而非因果关系。结论认为,可解释的机器学习利用常规围术期变量进行早期POUR风险预测具有可行性,SHAP分析识别出格隆溴铵使用、年龄、ASA分级、麻醉时长和术后疼痛等关键预测因子。但鉴于回顾性设计和缺乏外部验证,该模型目前应视为探索性工具,未来需进行前瞻性多中心验证后方可考虑常规临床应用。