开发并验证一种可解释的机器学习模型，用于预测经肛门全直肠切除术后并发症：一项多中心研究

《Techniques in Coloproctology》：Development and validation of an interpretable machine learning model for predicting postoperative complications after transanal total mesorectal excision: a multicenter study

　　

摘要

目的

本研究旨在开发并外部验证一个可解释的机器学习（ML）模型，用于预测经肛门全直肠切除术（taTME）后的术后并发症。

方法

我们在中国三个中心对245名连续接受taTME手术的患者进行了多中心病例对照研究。其中一个中心的患者构成了开发队列（n = 185）；另外两个独立中心提供了外部验证队列（n = 60）。主要终点是任何30天内的并发症（Clavien–Dindo分类）。候选变量通过最小绝对收缩量选择算法（LASSO）进行筛选，并纳入多变量逻辑回归以确定特征。总共训练了11种ML算法，并进行了十折交叉验证；最终模型是根据接收者操作特征曲线（ROC）下的面积（AUC）选出的。评估了模型的区分能力、校准性能、决策曲线分析（DCA）和临床影响曲线。使用Shapley加性解释（SHAP）方法检验了模型的可解释性。

结果

总体而言，27.8%的患者出现了术后并发症。六个预测因子被保留下来：术后C反应蛋白（CRP）、术前总蛋白（TP）、吸烟史、年龄组（>80岁）、新辅助治疗和ASA评分。AdaBoost分类器的表现最好（开发AUC为0.822；95%置信区间为0.751–0.892）。外部验证显示其区分能力更强（AUC为0.872；95%置信区间为0.771–0.972），准确率为83.3%，敏感性为56.25%，特异性为94.7%。校准和DCA支持其临床实用性，临床影响曲线表明其阈值行为良好。SHAP分析确定术后CRP是最具影响力的预测因子，并提供了透明、个性化的风险解释。

结论

我们开发并外部验证了一个强大且可解释的ML模型，用于预测taTME后的并发症。通过利用常规可获得的临床变量并提供透明的预测解释，该模型可以帮助临床医生识别高风险患者，从而可能改善围手术期结果。