基于机器学习的婴儿肥厚性幽门狭窄手术时机及出院时间预测：一种多模态预测方法

《Pediatric Surgery International》：Machine learning-based prediction of surgical timing and discharge in infantile hypertrophic pyloric stenosis a multimodal predictive approach

机器学习模型预测婴儿肥厚性幽门狭窄患者手术时机及出院时间，采用回顾性分析55例病例，构建三类数据集，运用SVM和随机森林算法结合SMOTE、类权重调整及集成方法，评估ROC AUC 0.59-0.73， pyloric wall thickness和pH为手术预测关键，transverse diameter和尿SG为出院预测关键。

　　

摘要

目的

本研究旨在利用入院时的临床数据、生化数据和超声检查结果，开发并内部验证机器学习模型，以预测患有婴儿肥厚性幽门狭窄（IHPS）的患者的外科手术时机和出院时间。

材料与方法

对2015年至2025年间接受幽门肌切开术的55例IHPS病例进行了回顾性分析。评估了患者的 demographic 特征、生化参数（血气、电解质、胆红素和尿液分析结果）以及超声测量数据（幽门壁厚度、横径、长度、幽门指数[壁厚度/长度]和幽门体积[π/6 × 长度 × 直径2]）。构建了三个数据集来评估不同的变量组合：(1) 仅包含 demographic 和影像学变量；(2) 仅包含 demographic 和实验室变量；(3) 包含所有变量的综合数据集。研究的目标结果是：(a) 在入院后2天内进行手术；(b) 术后3天内出院。通过 SMOTE 和类别加权策略解决了类别不平衡问题。对于每种算法（支持向量机 [SVM] 和随机森林 [RF]），创建了四种模型类型：标准模型、增强型 SMOTE 模型、类别加权模型以及集成模型（包含额外树）。模型使用 4 折交叉验证方法训练，重复 10 次。性能指标包括 F1 分数、准确率、灵敏度和 ROC AUC。采用 LASSO 方法进行特征选择，以确定最具预测性的变量。

结果

不同数据集的 ROC AUC 值介于 0.59 到 0.73 之间，表明模型具有中等程度的区分能力。幽门壁厚度和动脉血气 pH 值是预测早期手术的最强指标，而幽门横径和尿液比重与早期出院最为相关。

结论

机器学习模型在预测 IHPS 患者的早期围手术期结果方面表现出了中等且具有探索性的预测能力。这些发现应被视为假设生成的工具，而非决策依据，在临床应用之前需要外部验证。

图形摘要

目的

本研究旨在利用入院时的临床数据、生化数据和超声检查结果，开发并内部验证机器学习模型，以预测患有婴儿肥厚性幽门狭窄（IHPS）的患者的外科手术时机和出院时间。

材料与方法

对2015年至2025年间接受幽门肌切开术的55例IHPS病例进行了回顾性分析。评估了患者的 demographic 特征、生化参数（血气、电解质、胆红素和尿液分析结果）以及超声测量数据（幽门壁厚度、横径、长度、幽门指数[壁厚度/长度]和幽门体积[π/6 × 长度 × 直径2]）。构建了三个数据集来评估不同的变量组合：(1) 仅包含 demographic 和影像学变量；(2) 仅包含 demographic 和实验室变量；(3) 包含所有变量的综合数据集。研究的目标结果是：(a) 在入院后2天内进行手术；(b) 术后3天内出院。通过 SMOTE 和类别加权策略解决了类别不平衡问题。对于每种算法（支持向量机 [SVM] 和随机森林 [RF]），创建了四种模型类型：标准模型、增强型 SMOTE 模型、类别加权模型以及集成模型（包含额外树）。模型使用 4 折交叉验证方法训练，重复 10 次。性能指标包括 F1 分数、准确率、灵敏度和 ROC AUC。采用 LASSO 方法进行特征选择，以确定最具预测性的变量。

结果

不同数据集的 ROC AUC 值介于 0.59 到 0.73 之间，表明模型具有中等程度的区分能力。幽门壁厚度和动脉血气 pH 值是预测早期手术的最强指标，而幽门横径和尿液比重与早期出院最为相关。

结论

机器学习模型在预测 IHPS 患者的早期围手术期结果方面表现出了中等且具有探索性的预测能力。这些发现应被视为假设生成的工具，而非决策依据，在临床应用之前需要外部验证。

图形摘要