基于机器学习的腹腔镜手术低体温风险可解释预测模型构建与验证

《BMC Surgery》：Explainable prediction of hypothermia risk in laparoscopic surgery: a retrospective cross-sectional study using machine learning

　　本研究针对腹腔镜手术中发生率高达50-90%的低体温风险，开发了基于XGBoost算法的可解释预测模型。研究人员通过LASSO筛选出BMI、ASA分级等9个关键风险因素，构建的模型AUC达0.835，并通过SHAP方法揭示手术室温度、冲洗液量等核心影响因素，为临床个性化预防提供重要决策支持。

　　

腹腔镜手术以其创伤小、恢复快等优势已成为现代外科的主流术式，然而在这项微创技术广泛应用的背后，却隐藏着一个容易被忽视的临床问题——术中低体温。研究显示，尽管麻醉和手术技术不断进步，腹腔镜手术患者中低体温发生率仍高达50%-90%，这一数据令人震惊。低体温并非简单的体温下降，当核心体温低于36.0°C时，患者将面临凝血功能障碍、手术部位感染、心肌梗死等一系列严重并发症风险，甚至增加心脏骤停和死亡概率。

传统的低体温预测方法多依赖于临床经验，缺乏精准的量化工具体系。而机器学习技术虽在疾病预测领域展现出强大潜力，但其"黑箱"特性却成为临床应用的障碍。医生们更倾向于使用可解释的预测工具，这促使研究人员开展一项创新性研究，旨在开发既能准确预测又具备透明解释性的腹腔镜手术低体温风险预测模型。

这项发表在《BMC Surgery》的研究由苏文玉和王晓丽等研究人员共同完成，他们收集了山东第一医科大学附属肿瘤医院2023年7月至2024年6月期间1030例腹腔镜手术患者的临床数据。研究团队采用严谨的科研设计，首先通过LASSO(Least Absolute Shrinkage and Selection Operator)算法进行特征筛选，然后比较了逻辑回归(LR)、决策树(DT)、随机森林(RF)、支持向量机(SVM)和极限梯度提升(XGBoost)五种机器学习算法的性能，最终选用表现最优的模型进行SHAP(Shapley Additive Explanations)可解释性分析。

关键技术方法包括：使用LASSO回归进行特征选择，通过十折交叉验证确定最优λ值；将数据集按7:3比例随机分为训练集和测试集；采用Python的scikit-learn库构建五种机器学习模型；利用SHAP方法进行全局和局部可解释性分析；所有统计分析使用IBM SPSS 27.0完成。

研究结果

基本特征

研究共纳入1030例患者，其中573例(55.6%)发生低体温。两组患者在年龄、手术时长、性别、营养状况、高血压、糖尿病、心血管疾病和贫血等方面无显著差异。而BMI、手术室温度、麻醉时长、出血量、CO₂用量、尿量、术中冲洗液量、总静脉输液量、长期吸烟、长期饮酒、手术类型和ASA分级等因素在两组间存在统计学差异。

特征选择

LASSO回归筛选出九个关键预测因素：BMI、ASA分级、总静脉输液量、术中冲洗液量、CO₂用量、出血量、环境温度、长期饮酒和手术类型。这些因素构成了后续机器学习模型的基础特征集。

模型构建与评估

五种机器学习模型的性能比较显示，XGBoost模型表现最佳，准确度为0.762(95% CI: 0.717-0.807)，AUC为0.835(95% CI: 0.794-0.872)，特异性0.749(95% CI: 0.683-0.816)，敏感性0.773(95% CI: 0.713-0.824)，F1分数0.778(95% CI: 0.735-0.828)。这一结果显著优于其他对比模型，证明XGBoost在腹腔镜手术低体温预测中的优越性。

模型解释

SHAP分析揭示了各特征对预测结果的贡献度，其中手术室温度、术中冲洗液量、CO₂用量和出血量是四个最重要的影响因素。

SHAP摘要图直观展示了特征值对预测结果的影响方向：出血量、CO₂用量和冲洗液量的增加会提高低体温风险，而手术室温度升高则降低风险。ASA分级2-3级患者相比1级患者更易发生低体温，长期饮酒也是风险增加因素。

依赖关系图进一步细化各特征的影响模式：肝胆胰腺手术患者低体温风险较高，而结直肠手术风险相对较低。当出血量超过100ml、冲洗液量达750ml、CO₂用量超过600L时，SHAP值由负转正，表明这些阈值是风险显著增加的临界点。

局部解释性分析通过两个典型案例展示模型在个体层面的预测逻辑：例A患者因CO₂用量较低(300L)、无长期饮酒史等因素，预测结果低于基线值，判定为低体温低风险；例B患者因手术室温度较低(22.1°C)、CO₂用量较高(800L)等因素，预测结果显著高于基线，判定为高风险人群。

讨论与结论

本研究成功构建了腹腔镜手术低体温风险的XGBoost预测模型，并通过SHAP方法实现模型的可解释性分析。研究发现的大多数风险因素与既往研究一致，但长期饮酒与低体温的关联是本研究的新发现，可能与酒精引起的皮肤血管扩张促进热量散失有关。

研究确定的临床干预阈值具有重要实践价值：当术中冲洗液量超过750ml、CO₂用量超过400L时，低体温风险显著增加。建议将手术室温度维持在23-25°C之间，特别是对于接受肝胆胰腺手术的患者，应优先采取体温保护措施。

该研究的创新点在于将可解释人工智能技术应用于外科体温管理领域，克服了传统机器学习模型的"黑箱"局限性。模型提供的个性化风险解释能力，使临床团队能够针对特定患者制定精准的体温维护策略。

然而，研究也存在一定局限性：首先，低体温影响因素复杂，可能还有未纳入的关键变量；其次，SHAP解释仅代表统计关联而非因果关系；最后，单中心样本和缺乏外部验证限制了结果的普适性。未来研究将通过多中心合作扩大样本量，纳入更多特征变量，进一步优化模型的临床适用性。

这项研究为腹腔镜手术低体温的预防提供了科学依据，推动了人工智能技术在围术期管理中的实际应用，最终有助于提升手术安全性和患者预后。