《iMetaMed》：Construction and Validation of a Preoperative Surgical Difficulty Prediction and Risk Stratification System for Posterior Spinal Deformity Correction Surgery Based on Machine Learning - Multicenter Cohort Study
编辑推荐：
本研究通过多中心队列数据，构建并验证了基于机器学习（Machine Learning）的脊柱后路畸形矫形手术（Posterior Spinal Deformity Correction Surgery）术前手术难度预测模型。研究纳入162例患者数据，采用Boruta算法筛选出病程时长、纤维蛋白原（Fibrinogen）、白细胞计数（White Blood Cell Count）、活化部分凝血活酶时间（APTT）、美国麻醉医师协会（ASA）分级、白蛋白（Albumin）及年龄等7项关键预测因子。LightGBM模型表现最优，曲线下面积（AUC）达0.70，SHAP分析提升模型可解释性，决策曲线分析（DCA）显示良好临床净获益。研究成果已部署为在线计算器，可为个体化手术规划与资源调配提供支持。
背景
随着全球老龄化进程，脊柱畸形患病率持续上升，其疾病负担已超过糖尿病等慢性病。后路脊柱畸形矫形手术因解剖结构复杂、并发症风险高，手术难度差异显著。手术时长可间接反映手术复杂性，但传统统计方法难以捕捉变量间潜在交互作用。机器学习（Machine Learning）凭借其强大的数据挖掘能力，为术前精准评估提供了新途径。
材料与方法
研究回顾性收集2015年1月至2022年1月期间中国11家医疗中心的162例接受后路脊柱矫形手术的患者数据。手术时长超过240分钟定义为“延长手术时间”。通过Boruta算法从37项临床指标中筛选出7项关键预测变量：病程至手术间隔、纤维蛋白原（Fibrinogen, Fib）、白细胞计数（White Blood Cell Count, WBC）、活化部分凝血活酶时间（Activated Partial Thromboplastin Time, APTT）、美国麻醉医师协会（American Society of Anesthesiologists, ASA）分级、白蛋白（Albumin）及年龄。研究采用10种机器学习算法（包括逻辑回归、随机森林、LightGBM等）构建模型，并通过五折交叉验证（5-fold CV）评估性能，以受试者工作特征曲线下面积（Area Under the ROC Curve, AUC）为主要指标。
结果
- 1.
模型性能：LightGBM模型在测试集中表现最佳，AUC约为0.70，其决策曲线分析（Decision Curve Analysis, DCA）显示在阈值概率范围内具有临床净获益。热图综合评价显示该模型在多数指标（如ROC-AUC、PR-AUC）上优于其他算法。
- 2.
变量重要性：预测因子重要性排序依次为术前WBC、术前白蛋白、病程至手术间隔、年龄、APTT、纤维蛋白原和ASA分级。SHAP依赖图进一步揭示了各变量对预测结果的贡献方向，例如术前WBC升高与手术时长延长正相关。
- 3.
模型解释性：通过SHAP交互值分析和局部可解释性模型（Local Interpretable Model-agnostic Explanations, LIME）对个体预测进行分解，明确特征影响机制。例如，年龄增长（如66岁）与病程延长（>3年）会正向推高手术时长预测值。
- 4.
临床验证：基于LightGBM模型开发的在线计算器（SDCS-PLSOT）对两名患者进行前瞻性测试，预测延长手术时间的概率分别为90.59%和72.03，与实际手术时长（5.8小时、7.5小时）高度吻合。
讨论
本研究首次将机器学习应用于脊柱后路矫形手术时长的多中心预测。术前WBC作为最重要的预测因子，反映全身炎症状态与患者基础健康水平；低白蛋白提示营养不良或慢性疾病状态，可能增加手术复杂性；病程延长与畸形进展相关，支持早期干预必要性。此外，APTT、纤维蛋白原等凝血指标的创新性纳入为术前评估提供新视角。模型虽仅达到中等预测精度（AUC≈0.70），但其依赖低成本常规指标，结合SHAP/LIME可解释性设计，具备较高的临床转化潜力。研究局限性包括样本量较小、未纳入 surgeon-level 变量（如手术者年手术量）及影像学参数（如Cobb角），未来需通过多中心前瞻性数据进一步优化验证。
结论
该研究成功构建了基于机器学习的脊柱后路矫形手术难度预测与风险分层系统，通过常规血液指标实现低成本、高效益的术前评估，为个体化手术规划和医疗资源优化提供重要工具。
