Interpretable Machine Learning and Point-of-Care Digital Risk Stratification for Pneumothorax Following Lung Tumor Ablation: A Multicenter Validation Study

当医生治疗因体积过小而不适合手术或因风险过高而无法切除的肺部肿瘤时，他们通常会转向一种被称为热消融的技术。在这种手术中，一根细针被引导穿过皮肤进入肿瘤，利用高温破坏癌细胞。作为一种微创的替代方案，它为许多患者提供了更快的康复速度。然而，肺部是一个脆弱且充满空气的器官，用针刺入肺部会带来一个特定的风险：空气可能会泄漏，导致肺部塌陷。这种被称为气胸的情况是一种常见的并发症。虽然许多病例程度较轻且能自行愈合，但仍有相当一部分患者会出现严重的塌陷，需要向胸腔内插入一根管子以排出空气并使肺部重新充气。目前，医生在术后对所有患者采取统一的治疗方式：密切观察他们一整天，以观察是否会出现这种并发症。这种“一刀切”的方法意味着许多低风险患者不得不浪费不必要的时间住院，而高风险患者可能在需要额外关注时却未能得到及时的处理。

来自中国云南省医院的研究团队致力于改变这种反应性的处理方式，他们着手开发一种能够在问题发生前预测风险的工具。他们收集了一家大型医院中接受过肺部肿瘤消融治疗的1100多名患者的数据，并利用这些信息训练了一个计算机程序。其目标是寻找一种简单的方法，通过查看患者的具体细节——例如肿瘤距离肺部外层膜的距离、穿刺次数以及加热过程持续的时间——来计算发生严重肺塌陷的确切概率。研究人员将他们的计算机模型与另外八种不同的数学方法进行了对比测试，发现一种被称为“随机森林”的特定算法最为准确。该模型学会了识别人类医生可能会忽略的复杂数据模式，例如如果加热时间超过某个临界点或穿刺次数超过几次，漏气的风险会如何剧烈上升。

该团队并未止步于构建模型；他们进行了严格的测试，以确保该工具在现实世界中行之有效。他们利用另外两家不同城市的医院数据验证了研究结果，证明了即使应用于不同的人群和医疗团队，该工具依然表现良好。他们还针对后期治疗的患者进行了测试，以确保随着医疗技术的演进，该工具仍能保持准确性。结果显示，该工具的AUC（曲线下面积）达到了0.86。更重要的是，计算机解释了其推理过程，强调了肿瘤总加热时间、穿刺次数以及肿瘤与肺壁之间的距离是最关键的因素。分析揭示了具体的安全阈值：例如，将总加热时间控制在12分钟以内并将穿刺次数限制在3次以下，可以显著降低风险。

为了让这一发现对医生产生实际用途，研究人员将复杂的计算机代码转化为了一个可以在床边使用的简单免费网站。现在，医生只需输入患者的具体细节，即可立即获得一个风险评分，并将患者归入低、中、高或极高风险四个类别之一。这使得医疗护理方式发生了转变。被识别为低风险的患者可能可以更早回家，从而释放医院资源；而被标记为高风险的患者则可以接受更严密的监测或为即时干预做好准备。研究还发现，某些反映炎症或肿瘤负荷的血液指标在预测风险方面也起到了作用，这表明患者的生物学特征与物理手术过程同样重要。通过从“人人等待观察”的系统转向“根据个人特定风险概况量身定制护理”的系统，这一数字化工具为使肺癌治疗变得更安全、更高效且更具个性化提供了一种途径。