基于炎症与凝血参数的机器学习模型预测高血压性嗜铬细胞瘤/副神经节瘤患者术中血流动力学不稳定的临床研究

　　为解决高血压性嗜铬细胞瘤和副神经节瘤（PPGLs）患者术中血流动力学不稳定（HI）的预测难题，研究人员开展了基于炎症标志物与凝血参数的机器学习（ML）模型构建研究。通过多中心回顾性分析197例患者数据，发现白细胞-淋巴细胞比值（WLR）、中性粒细胞-血小板比值（NPR）和国际标准化比值（INR）等是HI的独立风险因素，并开发出随机森林（RF）模型（AUC=0.854），为术前风险评估和个体化干预提供了重要工具。

　　

在泌尿外科领域，嗜铬细胞瘤（pheochromocytoma）和副神经节瘤（paraganglioma）（合称PPGLs）是一类起源于神经嵴细胞的罕见神经内分泌肿瘤。这类肿瘤以过量分泌儿茶酚胺（catecholamines）为特征，常引发阵发性或持续性高血压、心悸、头痛等临床症状，严重时可导致心脑血管意外和多器官功能衰竭。手术切除是根治PPGLs的主要手段，但术中操作和麻醉刺激可能触发肿瘤细胞释放大量儿茶酚胺，引起剧烈的血流动力学波动，称为血流动力学不稳定（hemodynamic instability, HI），表现为高血压危象（如收缩压≥180 mmHg）或严重低血压（平均动脉压<60 mmHg），甚至危及生命。尤其值得注意的是，合并持续性高血压的PPGLs患者相较于血压正常者，其术中HI风险显著升高，术后心脑血管并发症发生率也更高。然而，传统预测指标（如肿瘤大小、手术方式）在该人群中的预测效能有限，临床上亟需更精准的风险评估工具。

近年来，研究发现儿茶酚胺不仅直接影响血管张力，还可激活炎症反应、影响凝血功能，并改变红细胞形态。例如，儿茶酚胺能通过激活NF-κB通路促进炎症因子释放，也可诱导血小板活化和内皮损伤，导致高凝状态。因此，炎症标志物（如白细胞-淋巴细胞比值WLR、中性粒细胞-血小板比值NPR）和凝血参数（如国际标准化比值INR）可能成为预测HI的潜在生物标志物。同时，机器学习（machine learning, ML）技术在医学预测模型构建中展现出强大优势，能高效挖掘复杂临床数据中的隐藏规律。为此，中国研究团队开展了一项多中心回顾性研究，旨在探索炎症、凝血和红细胞参数与高血压性PPGLs患者术中HI的关联，并构建基于ML的预测模型。该研究成果已于2025年发表在泌尿外科权威期刊《World Journal of Urology》。

研究主要采用了以下关键技术方法：1) 患者队列构建：从中国人民解放军总医院第一医学中心等机构纳入2012年1月至2021年6月接受腹腔镜或机器人手术的197例持续性高血压PPGLs患者，按7:3比例随机分为训练集与测试集；2) 数据采集：收集人口统计学、临床症状、肿瘤特征、术前一周实验室指标（包括WLR、NPR、INR、APTT、MCV等）及术中血流动力学数据；3) 统计分析：通过单因素与多因素逻辑回归（logistic regression）筛选HI的独立风险因素；4) 机器学习建模：使用随机森林（RF）、支持向量机（SVM）、逻辑回归（LR）等7种算法构建预测模型，并通过5折交叉验证优化参数；5) 模型评估：采用受试者工作特征曲线（ROC）、校准曲线、决策曲线分析（DCA）和Hosmer-Lemeshow检验评估模型性能；6) 模型解释：应用SHapley加法解释（SHAP）方法可视化特征重要性；7) 外部验证：使用37例独立患者数据验证模型泛化能力。

研究结果

患者基线特征

HI组（68例）与非HI组（129例）在性别、BMI、肿瘤大小、手术方式（腹腔镜/机器人）、术前血压等方面无显著差异，但HI组患者年龄更大（51.01±12.98岁 vs. 46.27±13.22岁，P=0.017），糖尿病患病率更高（48.53% vs. 33.33%，P=0.037）。尿多巴胺水平在非HI组显著更高（P=0.027），而尿肾上腺素和去甲肾上腺素组间差异无统计学意义。

独立风险因素识别

单因素逻辑回归显示WLR（OR=2.93, P=0.005）、NPR（OR=2.47, P=0.022）、INR（OR=2.25, P=0.031）、APTT（OR=2.26, P=0.033）、MCV（OR=2.86, P=0.005）、年龄（OR=5.12, P<0.001）和ALP（OR=2.26, P=0.037）与HI显著相关。多因素分析进一步确认WLR（OR=2.69, P=0.032）、NPR（OR=3.27, P=0.019）、INR（OR=4.28, P=0.004）、MCV（OR=2.83, P=0.022）、年龄（OR=5.69, P=0.002）和ALP（OR=2.57, P=0.044）为独立风险因素。

机器学习模型性能

在7种ML模型中，随机森林（RF）表现最优，训练集AUC为0.854（95%CI: 0.789–0.918），测试集AUC为0.812（95%CI: 0.699–0.924）。校准曲线和Hosmer-Lemeshow检验（P>0.05）显示模型预测值与实际观测值高度一致。决策曲线分析（DCA）证实模型在10%–30%阈值概率范围内具有临床实用性。外部验证中RF模型AUC达0.807，且使用连续变量时性能进一步提升（训练集AUC=0.861）。

特征重要性分析

SHAP分析揭示WLR为最重要预测因子，其次为年龄和NPR。高WLR和NPR值（代表炎症或应激状态）与HI风险正相关，而MCV和ALP的影响方向较复杂。

讨论与结论

本研究首次证实炎症标志物（WLR、NPR）和凝血参数（INR）是高血压性PPGLs患者术中HI的独立预测因子，反映了儿茶酚胺介导的全身炎症与高凝状态对血流稳定性的影响。值得注意的是，肿瘤大小在本队列中未显示预测价值，提示高血压性PPGLs的HI风险更取决于肿瘤细胞功能（如儿茶酚胺转化效率）而非形态学特征。尿多巴胺水平较低可能与高血压患者中多巴胺向去甲肾上腺素/肾上腺素转化增强有关，这一假设需进一步实验验证。

所构建的RF机器学习模型展现出优异预测能力（AUC>0.8），且通过SHAP实现可解释性，为临床提供了透明化决策工具。基于预测概率，研究者建议将患者分为低风险（<10%）、中风险（10%–30%）和高风险（>30%）三层，分别对应标准监测、加强监护和侵入性动脉监测+ICU准备策略，从而优化资源分配并降低严重低血压（器官灌注不足）或高血压危象（心衰、脑出血）风险。

研究的局限性包括样本量较小和回顾性设计带来的选择偏倚。未来需通过多中心前瞻性研究验证模型普适性，并探索这些标志物与术后心血管事件的关联。

该研究为PPGLs术中管理提供了创新性风险评估框架，通过整合常规实验室指标与机器学习算法，实现了术前无创、精准的风险分层，对提升手术安全性和患者预后具有重要意义。