《Scientific Reports》：Development and validation of an interpretable prediction model for the risk of unplanned reoperation in patients underwent intracranial tumor surgery
编辑推荐：
本研究致力于解决颅内肿瘤术后非计划再手术风险临床预测工具匮乏的难题。西安交通大学第一附属医院的研究人员通过LASSO回归筛选关键变量，利用机器学习算法构建了可解释的术后再手术风险预测模型，逻辑回归模型表现出最佳性能（验证集AUC达0.769）。该模型有助于临床医生早期识别高危患者，为个体化治疗策略提供依据，并已开发为便于临床使用的网页应用。
脑和中枢神经系统恶性肿瘤对全球医疗系统构成了沉重负担。对于接受了颅内肿瘤手术的患者而言，术后恢复之路并非总是一帆风顺。一个关键的、但常常难以提前预见的“岔路口”就是非计划再手术。这指的是患者在首次手术后，因并发症、出血、感染或其他未预料到的问题，而不得不再次进入手术室。这不仅显著增加了患者的痛苦和经济负担，更是影响其临床预后的关键事件。在临床实践中，医生们多么希望能够提前锁定那些高风险患者，从而进行更严密的监护和更积极的干预。然而，现有的预测工具在整合多维度临床数据并进行准确风险评估方面，能力依然有限。面对这一临床痛点，一项来自西安交通大学第一附属医院的研究应运而生，旨在为这个难题提供一个智能化的解决方案。该研究题为“Development and validation of an interpretable prediction model for the risk of unplanned reoperation in patients underwent intracranial tumor surgery”，并发表于《Scientific Reports》。
研究人员究竟是如何展开这项探索的呢？首先，他们回顾性地收集了2023年1月至2024年1月期间在西安交通大学第一附属医院接受颅内肿瘤手术的患者数据。这构成了研究的“原材料”。接着，他们以7:3的比例将患者划分为训练队列和验证队列，这是验证模型是否可靠的关键步骤。为了从众多临床指标中“大海捞针”，找出真正与术后非计划再手术相关的关键因素，研究团队采用了最小绝对收缩和选择算子回归这一特征筛选方法。随后，他们祭出了五种不同的机器学习模型“同台竞技”，包括逻辑回归、随机森林、支持向量机等，以预测术后非计划再手术的风险。模型的优劣通过受试者工作特征曲线下面积等指标来评判。为了让模型的决策过程不再是“黑箱”，研究人员引入了SHapley Additive exPlanation方法，用以量化每个特征的重要性并解释最终模型的预测逻辑。
研究结果揭示了清晰的路径。 通过严谨的分析，研究最终筛选出11个独立的关键变量用于构建模型。在参与“竞赛”的五种机器学习模型中，逻辑回归模型脱颖而出，展现了最高的预测性能。在训练集中，其AUC值达到0.836；在内部测试集中，AUC值也达到了0.769，这表明模型具有良好的区分能力。校准曲线和Brier评分进一步表明，模型预测的风险与实际观察到的风险在内部测试集中高度一致，证实了其校准度良好。最重要的洞见来自模型解释。SHAP分析清晰地指出，手术时长、肿瘤位置、改良衰弱指数-5以及肿瘤类型是影响非计划再手术风险的最重要预测因素。这意味着，手术时间越长、肿瘤位于某些特定部位、患者术前身体越衰弱（mFI-5评分越高）、或患有某些特定类型的肿瘤，其术后短期内再次接受手术的风险就越高。为了将研究成果从论文推向病床，研究者开发了一个基于网页的应用程序，临床医生可以轻松访问该界面，输入患者的相关指标，即刻获得个体化的风险预测，极大地便利了临床转化应用。
结论与讨论部分对全文工作进行了凝练与展望。本研究成功开发并在内部验证了一个用于预测颅内肿瘤术后非计划再手术风险的可解释机器学习模型。在这个单中心队列中，该模型显示出辅助医疗专业人员早期识别高风险患者的潜力。研究的核心价值在于其“可解释性”，通过SHAP方法，模型不再是给出一个令人费解的数字，而是能够明确告知医生是哪些具体因素推高了风险，这为后续制定个性化的治疗、监护和随访策略提供了直观、可信的依据。尽管模型性能令人鼓舞，但研究者也坦诚指出，这是基于单中心数据的研究，其普适性仍需在未来通过多中心、前瞻性的外部验证队列加以证实。将人工智能与临床决策支持系统深度融合，是提高神经外科诊疗精准化水平的重要方向。这项研究迈出了坚实的一步，它不仅是一个预测工具，更是一个促进临床医生深入思考患者个体风险构成的“解释性助手”，有望最终改善颅内肿瘤手术患者的整体预后。
