Construction of a machine learning-based prediction model for intraoperative acquired pressure injury in children undergoing neurosurgery

技术摘要：构建基于机器学习的神经外科手术儿童术中获得性压力性损伤预测模型

问题陈述
术中获得性压力性损伤（IAPI）是接受神经外科手术儿童中常见且严重的并发症。由于这些手术的复杂性质，包括必须进行的强制体位、导致局部组织受压的器械使用以及长时间的术后卧床，儿科患者面临着更高的风险。虽然先前的研究确定了神经外科儿童的发生率约为 11.5%，但该特定人群的具体风险因素尚未得到充分理解。此外，现有的预测工具（如先前开发的列线图）仅表现出中等的预测效能（c-指数 = 0.79）。迄今为止，尚未有研究报道使用机器学习（ML）技术来构建神经外科儿童 IAPI 的预测模型。

研究方法
本回顾性研究利用了 2023 年 1 月至 6 月期间在重庆某三级儿童医院接受神经外科手术的 776 名儿童（年龄 ≤18 岁）的临床数据。研究遵循每变量 10 个事件（EPV）的原则进行样本量计算，最终纳入了 14 个潜在风险因素。

• 数据收集与预处理： 数据包括人口统计学信息、术前实验室数值（血红蛋白、红细胞压积、BMI、Braden Q 评分）以及术中变量（ASA 分级、手术体位、手术/麻醉持续时间、失血量、动力工具的使用以及低体温）。IAPI 根据 2019 年 NPUAP 标准进行诊断。
• 特征选择： 采用最小绝对收缩和选择算子（LASSO）回归进行变量筛选并降低维度，最终选择了 13 个具有非零系数的特征。
• 模型构建： 将数据集分为训练集（70%）和验证集（30%）。实施了九种机器学习算法：逻辑回归（LR）、随机森林（RF）、神经网络（NNET）、极端梯度提升（XGBoost）、梯度提升机（GBM）、支持向量机（SVM）、朴素贝叶斯（NB）、K-最近邻（KNN）和决策树（DT）。
• 优化与验证： 模型在训练集上通过十折交叉验证和网格搜索进行调优。使用受试者工作特征曲线下面积（AUC）、敏感度、特异度、精确度和 F1 分值以及决策曲线分析（DCA）评估性能。
• 可解释性： 使用 SHAP（SHapley Additive exPlanations）对最优模型进行分析，以可视化特征重要性并解释决策过程。

关键结果

• 发生率： 该队列中观察到的 IAPI 发生率为 7.9%（62/776）。大多数损伤为 I 期（95.16%），最常见的部位为颊部、额头和颞部。
• 特征选择： LASSO 回归识别出 13 个关键预测因子，包括年龄、性别、Braden Q 评分、术前红细胞压积、术中失血量、手术时间、麻醉时间、手术体位、动力工具的使用、ASA 分级、手术类型和 BMI。
• 模型性能： 在九种算法中，XGBoost 模型表现出最稳定且最优的性能。
  • 验证集指标： XGBoost 的 AUC 达到 0.7325，敏感度为 0.8889，特异度为 0.4813，精确度为 0.126，F1 分值为 0.2207。
  • 比较： 虽然 XGBoost 模型的 AUC 略低于作者之前的列线图模型（0.79），但其敏感度更高。决策曲线分析表明，XGBoost 在验证集中提供了最大的净临床获益。
• 风险因素分析： SHAP 可视化识别出驱动模型预测的前六个风险因素：术中失血量、手术体位、患者年龄、手术持续时间、麻醉持续时间以及外部力量的使用（如钻头/铣削器）。

核心贡献

1. 新型机器学习应用： 本研究构建了基于机器学习的神经外科手术儿童 IAPI 预测模型，填补了此前无此类模型报道的空白。
2. 算法比较： 系统地比较了九种不同的机器学习算法，确定了 XGBoost 是针对该特定临床场景的最优模型。
3. 可解释性： 通过整合 SHAP 分析，本研究超越了“黑箱”预测，提供了关于特定临床指标（如失血量和手术体位）如何影响损伤风险的透明可视化。
4. 细化风险因素： 研究重新评估了风险因素，证实了术中失血量和动力工具使用的显著性，这在以往的非机器学习模型中并未得到如此突出的强调。

意义与主张
作者声称构建的基于 XGBoost 的预测模型具有“一定的预测效能”。这项工作的核心意义在于其能够辅助临床护士及早识别高风险的儿科神经外科患者。通过利用该模型，医疗工作者可以在护理流程的早期采取个性化的预防措施。研究强调，虽然该模型不能完美替代临床判断，但它为筛查提供了科学依据，并通过突出最关键的风险因素来简化评估流程，从而可能缩短评估时间并提高 IAPI 预防策略的准确性。作者对模型的泛化能力保持审慎态度，指出了其局限性，如数据的回顾性性质、缺乏外部验证，以及未来需要探索风险因素之间的相互作用。