Development and internal validation of a pre-operative machine-learning model for prolonged postoperative stay in older adults undergoing colorectal cancer surgery
本研究利用常规临床数据开发并内部验证了一个术前机器学习模型，用于中度预测接受结直肠癌手术的老年患者术后住院时间延长的情况，识别出衰弱和共病为关键预测因子，同时强调在临床应用前进行外部验证的必要性。
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
医院是治愈之地，但对于老年人来说，长时间住院可能成为一种新的伤害来源。当老年人因重大手术入院时，医院环境本身可能会引发其身体和精神能力的下降。这种现象被称为“医院相关性功能障碍”（hospital-associated disability），包括肌肉力量流失、意识模糊以及自理能力下降，而这一切仅仅是因为患者长期卧床或被限制在病房内。对于面临结直肠癌手术的患者来说，挑战在于他们往往伴随着多种其他健康问题、较低的身体储备以及复杂的社会需求，这些因素都使得返回家中变得困难。医生早已知晓，衰弱（frailty）——一种对压力敏感性增加的状态——比单纯的年龄更能预示不良预后，然而，要准确预测谁需要长期的住院治疗仍然非常困难。传统的评估工具通常关注死亡风险或重大并发症，却忽略了那种虽然微妙但同样具有破坏性的风险，即由于住院时间过长而导致患者变得比入院时更加虚弱。
在最近的一项研究中，来自索特兰德大学医院（Southend University Hospital）和南密德医院（Southmead Hospital）的研究人员致力于开发一种数字工具来解决这一特定问题。他们想知道是否可以利用计算机程序，在手术前分析患者的健康数据，从而预测该患者是否会在医院停留超过十天。研究团队将重点放在了197名年龄在65岁及以上的老年人身上，他们均在接受结直肠癌手术评估。从这一群体中，研究人员分析了实际接受了手术的149名患者的记录。研究人员收集了手术开始前可获得的广泛信息，包括患者的年龄、衡量衰弱程度的临床衰弱量表（Clinical Frailty Scale）、共病数量、服用的药物数量，以及社会状况（如居住地及居家照护情况）。他们还纳入了用于评估手术难度的标准手术风险评分。
为了理解这些复杂的数据组合，研究团队使用了一种称为“梯度提升分类器”（gradient-boosted classifier）的机器学习方法。你可以将其想象为一个通过构建一系列决策树来学习的计算机程序，其中每一棵新树都会纠正前一棵树的错误，最终创建一个高度精确的模型来识别模式。研究人员训练该模型来区分哪些患者会经历短期或中期住院，以及哪些患者会经历超过十天的长期住院。他们通过反复将数据拆分为不同组别来严格测试模型，以确保结果并非仅仅是运气使然。该模型在任务中表现出了中等的成功率。它能以约75%的准确率识别出有长期住院风险的患者，其灵敏度（sensitivity）为66%，这意味着它捕捉到了三分之二实际需要长期住院的人群。同时，它在排除短期住院患者方面也表现得相当出色，特异度（specificity）为75%。
研究表明，预测长期住院的最有力线索并非单纯的患者年龄或手术类型，而是其衰弱程度和整体手术风险评分。其他健康状况的数量和患者的活动能力也起到了显著作用。有趣的是，研究人员发现，虽然该模型在预测二元结果（即住院时间是长还是短）方面表现尚可，但在预测具体的住院天数方面却不太可靠。当他们尝试利用计算机预测具体时长时，预测结果往往会偏差数天，这表明住院的具体时长受到过多不可预测因素的影响，难以提前进行精确计算。这种区别至关重要：该工具更擅长标记需要额外规划的高风险患者，而不是告诉医生该患者具体何时可以出院。
能够识别这些高风险患者的意义重大。研究人员估计，如果将该模型应用于英格兰和威尔士每年进行的约21,000例重大肠癌手术，它可以帮助识别出数千名可能面临长期住院的患者。长期住院不仅是床位可用性的问题，更是对患者独立性的直接威胁。研究强调，住院时间较长的患者面临着更高的功能下降、谵妄以及其他医院获得性并发症的风险。通过早期识别这些患者，医疗团队可以采取更密集的术前准备或术后支持，从而缩短其住院时间。经济层面的论据也很有说服力；研究人员计算得出，如果能让全国范围内10%的此类病例减少仅一天的住院时间，仅床位成本就能节省近200万英镑；如果能实现20%的减幅，这一数字将上升到500多万英镑。
尽管取得了这些令人鼓舞的成果，作者仍谨慎地指出，该工具尚未准备好在每家医院立即投入使用。该研究是在单一中心进行的，并且依赖于回顾性数据，这意味着模型是在过去的记录上进行测试，而非针对未来的患者。模型的表现随测试数据的不同而有所变化，研究人员强调，在能够信任其指导临床决策之前，需要在更大规模、更多样化的患者群体中对其进行验证。研究结论认为，虽然机器学习在帮助医生规划老年结直肠癌手术护理方面展现出巨大潜力，但下一步需要在实时、前瞻性的试验中测试该模型，以观察基于其预测进行的干预是否真的能带来更短、更安全的住院时间。在此之前，该工具仍是一种精密的风险分层辅助手段，为识别那些易受长期住院隐形危险影响的脆弱人群提供了更清晰的视角。
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。