Machine Learning-Based Prediction of 30-Day Unplanned Readmission After Surgery for Spinal Metastasis: Development and Internal Validation of an Interpretable Nomogram
本研究开发并内部验证了一个基于可解释机器学习的列线图，该列线图利用六个关键临床预测因子来准确预测脊柱转移瘤手术后 30 天内的非计划再入院情况，展示了强大的区分度以及在优化围术期护理方面的潜在临床应用价值。
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
当癌症从原发部位扩散到脊柱骨骼时，会造成复杂的医学挑战，通常需要通过手术来缓解疼痛、稳定身体并防止神经损伤。对于许多患者而言，这项手术并非治愈手段，而是恢复生活质量、使其能够回归化疗或放疗等后续治疗的关键步骤。然而，术后恢复期非常脆弱。存在一个显著的风险：患者可能在出院回家后，往往在不到一个月内就再次入院，这通常是由于感染或疼痛控制不佳等并发症引起的。这种再入院的循环中断了微妙的康复过程，并延迟了下一阶段的癌症治疗，而当时间紧迫时，这往往至关重要。了解这些返院原因十分困难，因为涉及的因素广泛，从患者的年龄和整体健康状况，到手术本身的特定细节（如手术时长或失血量）不等。
青岛大学附属医院的研究团队致力于理清这些因素，并建立一种可靠的方法，用以预测哪些患者在脊柱手术后最有可能在三十天内非计划性再次入院。他们分析了2016年至2026年间接受脊柱转移瘤开放手术的986名患者的记录。为了确保预测的准确性，他们仔细排除了在第一个月内去世的患者，因为死亡会阻止再入院，从而导致数据偏差。研究团队没有依赖于经常忽略患者病情细微差别的宽泛行政代码，而是深入挖掘了具体的、可衡量的细节：血液检测结果、手术的具体持续时间、失血量以及导致脊柱损伤的癌症类型。他们利用先进的计算机工具筛选了几十个潜在变量，最终将其缩小为六个最具影响力的预测因子。
研究人员发现，最容易再次入院的患者具有明显的共同特征。他们往往年龄较大，患有糖尿病或心脏病等其他健康问题的负担较重，且血清白蛋白水平较低（白蛋白是一种反映营养健康状况的血液蛋白质）。手术本身也起到了重要作用；手术时间较长和失血量较大与更高的再入院风险密切相关。癌症类型也至关重要，其中肺癌和肾癌在再入院人群中的出现频率高于其他类型的癌症。通过将这六个特定因素输入数学模型，该团队创建了一个名为“列线图”（nomogram）的工具。这本质上是一个医生可以在床旁使用的可视化计算器。通过输入患者的年龄、健康史、血蛋白水平以及手术细节，该工具可以生成一个关于该个体是否需要再次入院的具体概率评分。
该模型在测试中表现出了极高的准确性，在近91%的情况下能够正确区分哪些患者会再次入院，哪些不会。这一表现优于该团队测试的其他几种复杂计算机模型，并且相比于依赖较不详细数据的旧方法，它提供了明显的优势。分析显示，导致这些返院的主要原因是手术部位感染，其次是神经系统问题和疼痛控制不足。由于该模型结合了术前因素（如年龄和血蛋白）和术中因素（如失血量和手术时间），它提供了一种两阶段的方法。医生可以在手术开始前利用术前数据识别高风险患者，从而优化患者的健康状况并进行更周密的计划。一旦手术结束，完整模型可以根据手术实际情况进一步完善风险评估。
这项工作的终极目标不仅是预测未来，更是改变未来。通过识别易发生并发症的患者，医疗团队可以采取针对性的措施来保护他们，例如在术前确保更好的营养、更积极地管理其他健康状况，或在出院后计划更密集的监测。这种方法符合“加速康复外科”的原则，旨在让患者尽可能快速、安全地恢复行动能力并回归癌症治疗。虽然该工具在开发它的单一医院内展现出了巨大的潜力，但研究人员强调，在广泛采用之前，必须在其他医疗中心对其进行测试。在此之前，它就像是一张精准的、由数据驱动的地图，用于引导脊柱转移瘤手术复杂的康复旅程，提供了一种预见麻烦并可能预防麻烦的方法。
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。