《Scientific Reports》：A cost-sensitive multiclass machine learning framework for postoperative neurosurgical triage (Neuro-TACTIC)
编辑推荐：
神经外科术后患者应送往普通病房、中级监护病房(IMC)还是重症监护病房(ICU)，是平衡患者安全与医疗资源的关键决策。现有模型多简化为二元选择且缺乏风险阈值调整机制。为此，研究人员开发了名为Neuro-TACTIC的成本敏感机器学习框架，基于XGBoost算法，利用27项特征对患者进行三级监护分诊，并通过可调参数ζ整合资源与伤害相关成本来平衡过度分诊与分诊不足。在独立队列中验证了其可行性，为临床决策提供了新工具。
当神经外科患者完成一场关键的择期开颅手术后，他们面临的下一道关卡并非全然结束——如何为他们分配合适的术后监护环境，成了摆在医生面前一道棘手的平衡题。送进重症监护病房(ICU)，固然能获得最密切的监测，但资源紧张、费用高昂，且可能增加院内感染风险；送回普通病房，又担心万一病情恶化，监测不足会延误救治。传统的“非此即彼”的二元决策模式（ICU vs. 非ICU）往往显得粗糙，而一个能精细化区分患者风险等级，并能量身定制以适应不同医院资源配比的三级分诊系统，成为了临床实践中的一个迫切需求。这正是《Scientific Reports》上发表的这项研究致力于解决的问题。
为了攻克这一难题，研究团队没有走寻常路。他们开发并验证了一个名为Neuro-TACTIC（神经外科三级分诊与成本整合分类器）的创新框架。这个框架的核心思想是“成本敏感”和“多分类”。它不仅仅追求预测的准确性，更将真实的医疗世界中的“成本”概念融入算法：一方面考虑“资源成本”（如占用宝贵的ICU床位），另一方面考虑“伤害成本”（如因监护不足导致的病情延误）。通过一个名为ζ的可调参数，医生或医院管理者可以像调节旋钮一样，根据自身的资源状况（如ICU床位空闲率）或对风险的不同定义，动态调整模型的决策倾向，是在“过度分诊”（将低风险患者送入高级别监护）和“分诊不足”（将高风险患者留在低级别监护）之间寻找当前最优的平衡点。
研究者们回顾性收集了1072名接受择期开颅手术患者的临床数据，从中提炼出27个特征，涵盖了人口统计学、术中情况和影像学衍生指标。利用强大的机器学习算法XGBoost，他们训练了一个分类器，能够将患者分入三个监护级别：普通病房、中级监护病房(IMC)和重症监护病房(ICU)。为了检验框架的稳健性和泛化能力，他们不仅在开发队列中进行了重复交叉验证和自助法分析，还在一个独立的、包含81名患者的评估队列中进行了外部验证。
研究主要用到了以下几个关键技术方法：
- 1.
回顾性队列构建与特征工程：研究基于一个包含1072名择期开颅手术患者的回顾性单中心队列，从电子病历和影像系统中提取并构建了27个特征，包括人口统计学（如年龄、身体质量指数(BMI)）、手术相关（如手术时长、手术体位）和影像学衍生特征（如肿瘤体积）。
- 2.
成本敏感的多分类机器学习建模：研究核心是开发Neuro-TACTIC框架。该框架采用XGBoost算法作为基础分类器，并创新性地引入了一个可调的成本参数ζ。ζ用于量化与“假阴性”（分诊不足）和“假阳性”（过度分诊）预测相关的综合成本，使模型能根据不同临床场景的资源限制和风险偏好进行动态调整，实现三级分诊（普通病房、IMC、ICU）。
- 3.
模型性能评估与验证策略：模型性能通过微观平均AUC(AUCμ)和加权F1分数等指标进行评估。采用重复交叉验证和自助法评估模型在开发队列中的稳定性，并使用一个独立的81人患者队列进行外部验证，以测试其泛化能力。
研究结果
模型性能表现稳定
在开发队列中，经过重复交叉验证和自助法分析，Neuro-TACTIC框架在不同成本设置下均表现出稳定的性能。当成本参数ζ设定为0.975这一操作点时，模型在开发队列中的微观平均AUC(AUCμ)为0.67 ± 0.03，加权F1分数为0.49 ± 0.03。在独立的评估队列中，相应的AUCμ为0.60 ± 0.04，加权F1分数为0.44 ± 0.06。这表明该框架具有一定区分能力，且在未见过的数据上保持了相对一致的性能。
特征重要性揭示关键预测因子
通过特征重要性分析，研究识别出对三级分诊决策最具影响力的五个预测因子，按重要性降序排列为：手术时长、肿瘤体积、手术体位、身体质量指数(BMI)和患者年龄。这些发现为理解哪些临床因素最驱动术后监护需求提供了数据支持。
成本参数ζ有效调控分诊倾向
研究通过系统性地改变ζ值，演示了Neuro-TACTIC框架如何权衡“过度分诊”与“分诊不足”。随着ζ值增加（意味着更倾向于避免“分诊不足”），模型将更多患者分类至更高级别的监护（如ICU）；反之，则更多患者被分至普通病房。这证明了该框架能够灵活适应不同的临床优先侧重点和资源限制。
研究结论与意义
本研究成功地论证了在神经外科术后患者中应用成本敏感的三级分诊建模是可行的。Neuro-TACTIC框架作为一个方法论上的概念验证，其主要贡献在于将现实世界的经济与临床成本考量系统性地整合到机器学习分诊模型中，打破了传统二元模型的局限。它提供了一种可调的、基于数据的决策支持工具，能够帮助临床医生在患者安全与有限的重症监护资源之间做出更精细、更个性化的权衡。
该研究识别出的关键预测因子，如手术时长和肿瘤体积，为术后风险管控提供了明确的临床关注点。然而，作者也明确指出，当前的研究成果仍处于早期阶段。研究所用的数据来源于单中心回顾性队列，样本量相对有限，且外部验证性能有提升空间。因此，Neuro-TACTIC在投入临床实际应用之前，必须经过大规模、多中心的前瞻性研究进行验证和优化。这项研究为开发下一代智能、自适应且符合卫生经济学的临床决策支持系统迈出了重要的第一步，未来有望优化医疗资源配置，最终惠及更多患者。
