Preoperative Machine-Learning Models for Predicting Postoperative Morbidity after Anterior Clinoidal Meningioma Surgery: Development and External Validation
本研究开发并外部验证了能够成功预测前床突斜脑膜瘤术后医疗并发症、运动功能障碍及认知功能下降的术前机器学习模型，并据此创建了一个临床研究型在线风险计算器。
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
想象一下，一个肿瘤正生长在颅骨深处，紧贴着维持生命所必需的精细线路和管道。对于前床突脑膜瘤患者来说，这就是现实。这是一种发生在颅底前部的特定类型脑肿瘤。由于这些生长物会包裹住控制视觉的视神经和供应大脑的主要血管——颈内动脉等关键结构，因此极难切除。几十年来，外科医生一直依赖解剖图谱来决定肿瘤是否可以安全切除，重点关注生长物本身的形状和大小。然而，这些图谱往往忽略了携带肿瘤的个体。患者的整体健康状况、年龄以及身体应对压力的能力，与肿瘤的位置一样重要，它们共同决定了手术是否会导致并发症。直到现在，还没有一种可靠的方法能将这些个人健康因素与肿瘤解剖结构结合起来，从而在进行第一次切口之前预测特定患者可能面临的风险。
来自意大利、英国和中国的神经外科医生与数据科学家团队致力于通过构建一种新型工具来改变这一现状。他们收集了来自三个国家四家医院、共241名接受过此类肿瘤手术的成年人的信息。研究人员并没有使用传统的统计方法来分析数据，而是使用了机器学习——一种能够在大规模信息集中发现复杂模式的人工智能技术。研究人员将术前可获得的常规细节输入计算机：患者的年龄、现有的健康状况、体能水平，以及通过MRI扫描看到的肿瘤特定特征（如大小以及与附近血管的紧密程度）。其目标是教计算机预测术后可能发生的三个主要问题类型：全身性医疗问题（如感染或血栓）、手术问题（如出血或液体渗漏）以及新的神经系统问题（如虚弱、意识模糊或视力丧失）。
结果显示，计算机可以成功预测某些风险，但并非所有风险。该模型在预测全身性医疗并发症（如感染或心脏问题）方面表现相当出色。它发现，较大的肿瘤、紧紧包裹血管的肿瘤，以及患有更多既往健康问题或体能较低的患者，面临的风险更高。当在计算机从未见过的医院患者身上进行测试时，它对这些风险的AUC达到了0.77。这表明，患者的整体脆弱性是其术后是否会出现全身性健康问题的关键因素。此外，该模型在预测新的运动功能障碍（如肢体无力）方面也展现出了潜力，识别出肿瘤大小和特定血管受累是关键的预警信号。同样，它还可以通过权衡患者的年龄和当前的身体状况，来评估认知功能下降（即记忆和思维问题）的风险。
然而，这项研究也强调了手术开始前预测能力的局限性。计算机无法可靠地预测手术并发症，例如出血或伤口部位的感染。研究人员得出结论，这些特定的问题很可能取决于手术过程中在手术室内部发生的情况，而不是患者在到达手术室之前的状况。此外，该模型无法预测新的视觉功能障碍。虽然研究发现约8%的患者在术后出现了新的视力问题，但这些问题几乎都在一年内得到了缓解，且研究人员无法找到任何术前因素可以预示谁会受到影响。这表明，基于现有数据，视觉结局过于难以预测，或者受到团队未测量因素的影响，例如视神经本身的健康状况。
该团队将成功的模型转化为了一个在线计算器，医生可以使用它来估算患者的风险概况。虽然该工具尚未准备好用于常规临床使用，且需要进一步测试以确保它能完美适用于每家医院，但它代表了一个重要的进步。它将讨论的核心从对肿瘤的通用评估转向了个性化的风险预测，帮助外科医生和患者了解他们可能面临的具体危险。通过将患者的健康状况与肿瘤解剖结构相结合，这项工作为一些最具挑战性的脑部手术提供了一条更清晰、更精准的个性化手术规划路径。
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。