Failure of Cross-Procedure Transportability of Preoperative Prolonged Length-of-Stay Prediction From VATS to Esophagectomy: A Locked Model Evaluation Study
本研究表明，针对胸腔镜手术（VATS）患者开发的术前住院时间延长预测模型，在未经修改的情况下无法可靠地迁移至食管切除术患者，当作为锁定流水线应用时，表现出较差的区分度和显著的校准误差。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
医院依赖准确的预测来管理资源并有效地照顾患者。在这些规划中，最关键的指标之一是住院时长，即患者在手术后留在医院的天数。虽然快速康复是理想的情况，但许多因素都会影响患者实际停留的时间，包括并发症、外科医生的特定操作习惯以及患者的整体身体状况。医生通常在手术开始前就使用计算机模型来预测这些时长。这些模型通过分析患者的年龄、肺功能及其他健康数据，来评估住院时间过长的风险。其希望在于，通过了解哪些人可能会停留更久，医疗团队可以更好地做好准备，更有效地分配床位，并为需要额外护理的患者提供支持。然而，一个重大问题仍然存在：一个旨在预测某一类手术恢复情况的模型，在应用于另一种不同类型的手术时，是否同样有效，即使这两类手术都在同一家医院进行？
武汉大学人民医院的研究人员通过在两种截然不同的手术程序中测试一个预测系统，试图回答这个问题。他们首先从一个专为接受胸腔镜辅助手术（一种针对肺部的微创手术）的患者设计的模型开始。该模型基于301名患者的数据构建，包含了如年龄和吸烟史等标准临床信息，以及从胸部常规CT扫描中获取的测量数据，特别是观察胸部肌肉和脂肪厚度的测量值。随后，研究人员将这个完全相同的模型，在未更改任何数字或规则的情况下，应用于另一组完全不同的2�99名正在接受食管切除术（一种移除部分食管的复杂手术）的患者。其目标是观察当背景从肺部手术转向食管手术时，预测是否依然有效。
这项测试的结果清晰且明确：该模型无法适用于第二组患者。当研究人员将肺部手术模型应用于食管手术患者时，它几乎失去了区分长期康复者与快速康复者的能力。用统计学术语来说，该模型的性能下降到了不比随机猜测更好的水平。此外，该模型一致地高估了风险；它预测近一半的食管手术患者会有较长的住院时间，但实际上只有约四分之一的患者是如此。CT扫描测量值的加入，原本意在通过观察身体成分来增加精度，但并未起到帮助作用。事实上，对于食管手术患者而言，加入了CT数据的模型变得过于僵化，以至于对每个人都产生了几乎相同的预测结果，使其在个体评估方面变得毫无用处。
研究还探讨了是否可以通过简单地调整基准数值来使模型匹配新人群，从而修复该模型。虽然这种调整修正了平均预测值，使整体风险评估符合食管手术组的现实情况，但它并未恢复模型区分不同患者的能力。该模型仍然无法识别哪些特定个体处于高风险之中。研究人员发现，这两组患者在模型未能涵盖的方面存在根本性的差异。接受食管手术的患者年龄更大，男性比例更高，且其肺功能和体脂测量值与肺部手术患者显著不同。由于该模型是基于第一组人群的特定特征构建的，因此无法将其逻辑转化为第二组人群的逻辑。
这项研究展示了医疗预测工具的一个关键界限。它表明，为一个手术程序开发的模型不能被假定为适用于另一个程序，即使是在同一家医院且使用相同数据源的情况下也是如此。失败的原因并非由于缺乏数据或计算机代码存在缺陷，而是因为这两种手术在生物学和临床现实上过于迥异。研究结论指出，在任何预测模型被用于指导患者护理之前，必须针对其预期的确切人群和程序进行严格测试。仅仅将一个适用于某项工作的工具拿来尝试用于另一项工作（即使是相关的任务），很可能会导致不准确且具有误导性的结果。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。