应用机器学习预测头颈鳞癌游离皮瓣重建术后手术部位感染：随机森林模型展现卓越预测效能

　　本研究通过对比逻辑回归（LR）与随机森林（RF）机器学习算法，构建了头颈鳞状细胞癌（HNSCC）患者游离皮瓣重建术后手术部位感染（SSI）的预测模型。结果表明RF模型在准确度、敏感性及AUC（0.945）方面显著优于传统LR（0.640），并首次通过SHAP分析明确营养指数（PNI）、手术时间和中性粒细胞淋巴细胞比值（NLR）为核心预测因子，为临床SSI风险分层提供了创新性系统标志物和决策支持工具。

　　

^{患者与治疗}

本回顾性队列研究遵循世界医学协会《赫尔辛基宣言》（2002年版）伦理准则，并经首都医科大学北京口腔医院伦理委员会批准（IRB: CMUSH-IRB-KJ-PJ-2025-04）。患者均于首都医科大学北京口腔医院口腔颌面头颈肿瘤科接受原发性肿瘤手术治疗。

^{患者与基线数据}

本研究共纳入442例患者，其中非SSI组338例（76.5%），SSI组104例（23.5%）。平均年龄58.3±10.5岁。男性278例（62.9%），女性90例（39.0%）；舌部肿瘤171例（38.7%），下颌牙龈肿瘤83例（18.8%），颊部肿瘤82例（18.6%），口底肿瘤47例（10.6%），上颌牙龈肿瘤17例（3.8%）。

^讨论

本研究采用LR和RF方法分析HNSCC患者游离皮瓣重建术后SSI的风险因素并构建预测模型。相较于LR，RF模型展现出显著更优的预测性能（AUC 0.945 vs. 0.640），凸显了机器学习算法在处理多维异构临床数据时的内在优势。Kuo等（2018）曾对比LR与人工神经网络（ANN）算法...

^结论

综上所述，RF模型在预测HNSCC患者游离皮瓣重建术后SSI方面表现优于LR模型。除传统指标（如pT分期、体重下降和手术时间）外，新型指标如预后营养指数（PNI）和中性粒细胞淋巴细胞比值（NLR）可作为预测SSI的重要系统标志物。