《Frontiers in Cellular and Infection Microbiology》：Inflammatory biomarkers and physiological reserve: an explainable machine learning model for predicting postoperative pulmonary complications in elderly laparoscopic surgery
编辑推荐：
本研究开发并验证了一种基于梯度提升机（GBM）的机器学习模型，用于预测老年（>60岁）腹腔镜手术患者术后肺部并发症（PPCs）风险。该模型整合了术前炎症生物标志物（如CRP、WBC）、营养状态指标（如白蛋白）及术中数据，在手术结束即刻即可进行风险分层，其AUC在内部验证队列为0.691，在外部独立验证队列达0.755，展现出良好的普适性。SHAP可解释性分析揭示了手术应激与生理储备之间的交互作用，决策曲线分析证实了其临床应用价值。该工具为实现从被动治疗向主动预防和个性化围术期管理转变提供了可能。
老年患者在接受非心脏手术后，面临着术后肺部并发症（Postoperative Pulmonary Complications, PPCs）的重大风险。尽管腹腔镜手术因其微创特性被认为可降低PPCs风险，但由于各种因素，老年患者的发病率仍高达20%至40%，尤其是在术后第一周内。PPCs会导致住院时间延长、医疗成本增加，并严重影响生活质量和长期生存。当前的风险评估工具，如ARISCAT评分或逻辑回归模型，因纳入风险因素有限、难以处理高维数据和非线性关系，其预测效能（AUC通常在0.70-0.80之间）尚不能满足临床精细化风险分层的需求。
针对这一临床挑战，一项多中心回顾性队列研究应运而生。该研究纳入了来自中国两家三甲医院的1415名接受全身麻醉气管插管下腹腔镜手术的老年患者（年龄>60岁）。研究的主要结局是术后7天内发生的具有临床意义的PPCs（Clavien-Dindo分级≥ II级）。研究团队系统性地评估了九种机器学习算法，包括逻辑回归、随机森林、支持向量机、k-最近邻、决策树、朴素贝叶斯、梯度提升机（Gradient Boosting Machine, GBM）和AdaBoost。为了处理数据中的类别不平衡问题，研究采用了合成少数类过采样技术（Synthetic Minority Over-sampling Technique, SMOTE）；并利用Boruta算法进行特征选择，以防止数据泄露，所有处理均在嵌套的5折交叉验证框架内完成。
在众多算法中，梯度提升机（GBM）模型表现最为出色。在内部验证队列中，其受试者工作特征曲线下面积（Area Under the Curve, AUC）达到0.691（95% CI: 0.617-0.762），灵敏度为65.2%，特异度为83.4%。更令人瞩目的是，该模型在独立的102人外部验证队列中展现了更优的泛化性能，AUC达到0.755（95% CI: 0.652–0.849），有效排除了过拟合。决策曲线分析（Decision Curve Analysis, DCA）证实，在30%–90%的阈值概率范围内，GBM模型比“全部干预”或“全部不干预”的默认策略提供了更高的净临床收益。校准曲线和混淆矩阵也表明模型具有良好的校准度和分类平衡性。
为了揭开这个“黑箱”模型的决策逻辑，研究采用了SHAP（SHapley Additive exPlanations）可解释性分析。分析结果显示，手术持续时间、术前白蛋白（Albumin）水平以及炎症标志物（C-反应蛋白，CRP；白细胞计数，WBC）是预测PPCs最重要的特征。这一发现深刻揭示了PPCs的发生机制：它是外科手术应激强度与患者基线生理储备之间失衡的结果。具体而言，手术时间延长直接增加了机械通气和肺内通气/血流（V/Q）失调的累积损伤；而术前CRP和WBC升高，则反映了一种与衰老相关的慢性低度炎症状态（“炎性衰老”），使肺组织更容易对手术创伤产生过度反应。相反，较高的术前白蛋白水平是一个强有力的保护因素，它不仅是营养指标，更是反映患者生理储备和“衰弱”状态的生物学代理。其他重要预测因子还包括年龄、麻醉持续时间、手术部位（上腹部手术风险显著高于下腹部）以及镇痛方式等。
基于这些关键预测因子，研究还构建了一个基于逻辑回归框架的在线动态列线图（Nomogram）。这个交互式工具整合了九项关键指标，能够在手术结束时为临床医生提供即时的、量化的PPCs风险概率（附有95%置信区间），并通过从绿色到红色的色彩刻度进行直观的风险分层预警，便于在床旁快速应用。
本研究成功开发并验证的GBM模型，为老年腹腔镜手术患者PPCs的早期预测提供了一个稳健、可解释且泛化能力强的工具。它的核心临床价值在于实现了评估时机的“前移”——在手术缝皮结束的时刻，就能整合术中应激的累积效应，完成风险分层。这为从被动治疗转向主动预防提供了关键的时间窗。例如，对于模型识别出的高风险患者，可以立即启动阶梯式干预措施，如加强呼吸道管理、早期呼吸肌训练、优化镇痛方案以及合理规划重症监护资源。该模型通过可解释的SHAP值，还能帮助临床医生理解个体患者的特定风险驱动因素（例如低白蛋白与长麻醉时间的协同效应），从而实现真正意义上的个性化围术期管理。
这项研究也存在一些局限性。首先，回顾性设计可能引入结局判定偏倚，尽管研究通过采用Clavien-Dindo≥ II级作为标准来聚焦有临床意义的并发症。其次，模型揭示了风险因素之间的关联，但观察性研究本身无法确立因果关系。未来研究可以借鉴“目标试验模拟”（Target Trial Emulation, TTE）框架，利用观察性数据评估可改变因素（如术中液体管理、通气策略）的因果效应。最后，外部验证队列的样本量相对较小，需要在更大规模、前瞻性的多中心队列中进行进一步验证和参数优化。
总之，这项研究将炎症生物标志物与生理储备指标相结合，构建的机器学习预测模型，为改善老年手术患者的呼吸预后提供了有力的循证工具。它不仅推动了围术期医学向精准化、预见性医疗迈进，也为在复杂临床数据中挖掘深层规律、并将人工智能转化为切实临床效益提供了优秀范例。
