结合复合炎症-免疫反应评分的人工智能模型评估脊柱手术患者术后谵妄

摘要：

目的 开发一种基于复合炎症-免疫反应评分的机器学习(machine learning,ML)模型,预测脊柱手术患者术后谵妄(postoperative delirium,POD)风险.方法 选取我院 2019 年 1 月至 2022 年 7 月的293 例脊柱手术患者,以 3∶2 比例随机分为训练组和测试组.收集术前 8 种全身炎症-免疫反应标志物及一般临床资料.使用最小绝对值收敛和选择算子(least absolute value convergence and selection operators,LASSO)算法所得的回归系数构建复合炎症-免疫反应评分(complex inflammation-immune response score,CIIRS).通过 LASSO 算法筛选出脊柱手术患者 POD 风险变量并基于此构建 10 种 ML 模型.SHAP(SHapley Additive exPlanations)用于模型可视化解释.结果 293 例患者中,59 例出现 POD(20.1%).基于 NLR 水平×0.537 + PLR水平×0.009 + MLR水平×0.168-HRR水平×1.548 + MHR水平×0.954 + CAR水平×6.166 的 CIIRS 具有较高诊断脊柱手术患者 POD 能力[曲线下面积(area under the curve,AUC)(95%CI):0.936(0.904～0.962)].LASSO 算法确定年龄、吸烟、手术时间和 CIIRS 与脊柱手术患者 POD 风险相关(P<0.05).10 种 ML 算法中,训练组与测试组均证实 XGBoost 的精确-召回曲线(precision-recall curve,PRC)、精确-召回收益曲线(precision-recall gain curve,PRGC)和接受者操作特征曲线(recipient operating characteristic curve,ROC)的曲线下面积(area under the curve,AUC)值处于最高,诊断性能最好.基于 SHAP 可视化 XGBoost 模型能降低脊柱手术患者 POD 假阳性率.结论 基于年龄、吸烟、手术时间和 CIIRS 的 XGBoost 模型对预测脊柱手术患者 POD 具有极高诊断性能.模型的 SHAP 可视化能实现高准确率的 POD 风险分层,指导医护人员完善患者围术期诊疗策略.

关键词：脊柱疾病、炎症、免疫、机器学习

所属期刊栏目：12

分类号：R687.3(骨科学（运动系疾病、矫形外科学）)

在线出版日期：2023-10-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：685-694