基于机器学习的肠梗阻术后早期并发症预测模型构建及多中心验证研究

　　研究人员针对肠梗阻术后早期并发症风险预测难题，开发了基于随机森林(RF)算法的多中心预测模型。通过分析396例患者数据筛选出POSSUM生理评分、胶体输注量等8项关键指标，模型AUROC达0.788，并在4个外部验证队列中保持0.720-0.817的稳定性能。该研究创新性地构建了可视化在线风险计算器，为临床早期干预提供决策支持。

　　

肠梗阻手术是普外科常见急诊手术，但术后高达23%-28%的早期并发症显著增加住院时间和死亡率。目前临床依赖ASA分级等传统评分系统，难以捕捉复杂的非线性风险因素。中山大学附属第三医院联合深圳市人民医院等机构，通过机器学习技术突破这一瓶颈。

研究团队收集2013-2021年396例肠梗阻手术患者数据，采用7种机器学习算法构建预测模型。关键技术包括：1) LASSO回归和SHAP值分析筛选特征；2) 随机森林(RF)算法建模；3) 使用INSPIRE数据库等4个外部队列验证；4) 开发基于Python的在线计算器。

主要结果

1. 患者特征：训练队列并发症发生率47.44%，感染(26.95%)和脓毒症(16.17%)最常见。Clavien-Dindo分级显示I级并发症占比最高(15.63%)。

2. 模型性能：RF模型在训练集表现最优(AUROC 0.788)，特异性0.810。对小肠梗阻(SBO)亚组的预测性能显著优于AGESS-SBO评分(AUROC 0.912 vs 0.731)。

3. 关键预测因子：SHAP分析确定8项核心指标：POSSUM生理评分、胶体输注量、麻醉前休克指数(SI)、ASA分级、中性粒细胞百分比(NEUT%)、术终SI、年龄和总蛋白。

4. 外部验证：在韩国INSPIRE数据库等外部验证中，模型保持稳定性能(AUROC 0.755-0.817)，证实其跨区域适用性。

讨论与意义
该研究首次将机器学习应用于肠梗阻术后并发症预测，创新点在于：1) 整合术中动态指标如SI，弥补传统评分静态评估的不足；2) 通过SHAP值可视化解释模型决策过程；3) 开发临床可操作的在线工具。

局限性包括样本量较小和回顾性设计。未来可探索影像组学等多维数据融合。论文发表于《Journal of Medical Internet Research》，其构建的RF模型为临床提供了精准、可解释的风险评估工具，对实现个体化围术期管理具有重要价值。