一种动态机器学习模型，结合了静息能量消耗数据，用于预测胃癌胃切除术后的并发症发生率

《Journal of Cancer Research and Clinical Oncology》：Dynamic machine learning model integrating resting energy expenditure for predicting postoperative complications after gastrectomy for gastric cancer

　　

摘要

目的

本研究旨在探讨围手术期静息能量消耗（REE）的变化是否能够提高对胃癌切除术后并发症的预测能力。

方法

我们回顾性分析了193名接受择期胃癌切除术的患者。围手术期及术后第1天（POD1）通过间接测热法测定REE。REE指标表示为实测REE与Harris–Benedict预测REE的比值（分别为preH-B%和D1H-B%）。术后并发症定义为Clavien–Dindo分级II级或以上。使用随机森林、支持向量机和最小绝对值收缩与选择运算符回归方法对候选预测因子进行优先排序。将传统模型与包含代谢指标的集成模型进行了比较，并进一步开发了一个简洁模型以方便临床应用。通过AUC、DeLong检验、集成判别改善（IDI）、净重分类改善（NRI）和自助法内部验证等方法评估了模型的判别能力、重分类能力和校准性能。

结果

193名患者中有23人（11.9%）出现了术后并发症。preH-B%与BMI及肿瘤分期较晚相关，而D1H-B%与切除范围相关（所有P值<0.05）。在所有特征选择方法中，preH-B%和D1H-B%均被一致优先考虑。包含7个预测因子的集成模型的判别能力优于传统模型（AUC分别为0.803 [95% CI 0.704–0.903] vs 0.654 [95% CI 0.538–0.771]；DeLong P = 0.0049）。一个包含preH-B%、D1H-B%和BMI的简洁模型表现出较好的判别能力（AUC为0.783，经乐观校正后的AUC为0.757），且校准效果满意。

结论

围手术期REE的变化可能为预测胃癌切除术后的并发症提供补充信息。这些发现目前仍处于假设生成阶段，需在更大规模、前瞻性、多中心队列中进行验证后方可临床应用。该模型的临床实用性还需通过决策曲线分析和前瞻性验证进一步评估。