综述：评估机器学习预测术后皮瓣并发症准确性的Meta分析

　　本综述系统评价了机器学习（ML）在预测术后皮瓣并发症中的价值。分析显示ML模型，特别是梯度提升（GB）和人工神经网络（ANN），具有高特异性（78.6%）但敏感性较低（41.9%），表明其擅长排除并发症却易漏诊。研究强调了ML在游离皮瓣手术预后中的潜力及当前局限，为未来精准医疗方向提供了重要依据。

　　

方法

通过系统检索MEDLINE、PubMed、EMBASE、EMCARE和Google Scholar五大数据库，共获得49项记录。去除12篇重复文献后，对37项研究进行筛选，最终纳入5项符合标准的研究进行Meta分析。总样本量涵盖7,734例患者，共采用10种机器学习模型进行分析。研究的纳入标准包括必须报告敏感性（sensitivity）、特异性（specificity）或受试者工作特征曲线下面积（AUC）等量化指标，并使用QUADAS-2工具进行方法学质量评价。

整体汇总分析

在7,734例接受皮瓣手术的患者中，4,745例为头颈部游离皮瓣手术，其余则包括肢体重建（2,500例）、胸部和乳房（366例）以及口腔颌面区域（123例）的皮瓣手术。汇总分析显示，机器学习模型预测皮瓣并发症的总体敏感性为41.9%（95% CI: 41.0%-42.7%），总体特异性为78.6%（95% CI: 78.2%-79.1%）。这表明当前模型更擅长正确识别无并发症者（高特异性），但在检测真实并发症发生时表现较差（低敏感性）。

亚组分析进一步揭示不同算法之间的性能差异。梯度提升（GB）模型表现出最高的特异性，达到84.6%，而人工神经网络（ANN）模型则取得了最高的敏感性，为49.8%。这些结果提示算法选择需权衡漏诊风险和误诊风险，并应根据临床场景的具体需求进行优化。

机器学习在预测术后皮瓣并发症中的应用

机器学习作为人工智能（AI）的重要分支，能够通过分析大规模数据识别潜在模式，并支持临床决策而无需显式编程。在游离皮瓣手术并发症预测中，机器学习方法主要分为监督学习、无监督学习和强化学习三大类。监督学习利用已标注数据训练模型，其应用最为广泛；无监督学习则致力于从无标签数据中发现隐藏结构；强化学习通过与环境交互获得反馈以优化决策。

多项研究强调了机器学习在该领域的应用潜力，特别是在处理多维度、高异质性的临床数据时。模型能够整合患者 demographics、术中指标及术后早期信号等多类变量，从而实现对皮瓣坏死、血管危象等严重并发症的早期预警。然而，当前研究的局限性包括样本来源较为单一、模型可解释性不足以及对外部验证的重视不够。

结论

本研究表明，机器学习模型（尤其是GB与ANN）在预测皮瓣手术术后并发症方面展现出应用潜力，其高特异性显示出优异的排除诊断能力。然而，敏感性的普遍偏低限制了其在早期精准预警方面的价值。未来的研究应聚焦于扩大样本规模、开展多中心合作，并纳入更多患者特异性及临床变量以优化预测性能。随着技术的不断演进，机器学习有望重塑外科手术的术后管理范式，为实现更个性化、精准化的患者护理提供支持。

伦理批准

无需伦理批准

资助

无

利益冲突

无声明

作者贡献声明

Ali Imad Alabdalhussein： 研究设计、调查、手稿审阅、概念化、方法论、数据整理及手稿起草

Mohammed Hasan Al-Khafaji： 数据收集、统计分析及可视化

Peter Conboy： 结果解释及手稿编辑

Hitesh Singhavi： 写作—审阅与编辑，概念指导

Fahid Anwar： 文献综述及手稿准备

Mohammed Elkrim： 项目管理与资源获取

Miss Hazel Busby-Earle, Oladejo Olaleye, Nakul Patel, Sundar Raj Lakshmiah, Phillip Ameerally, Manish Devendra Mair 亦参与研究相关工作