临床麻醉学杂志

作者：王锐,郑雷雷,余璇,张益,易斌,黄桂华

单位：620000,四川省眉山市,眉山市中医医院麻醉科,贵州中医药大学第二附属医院麻醉科,遵义医科大学第二附属医院麻醉科,遵义医科大学第二附属医院麻醉科,陆军军医大学第一附属医院麻醉科,遵义医科大学第三附属医院麻醉科(现在北京积水潭医院贵州医院麻醉科)

关键词：气管插管,术后咽喉疼痛,机器学习,随机森林,风险预测模型,

目的：利用机器学习构建术后咽喉疼痛（POST）的风险预测模型。方法：回顾性收集2022年9月至2023年6月行全身麻醉气管插管成年患者757例，男327例，女430例，年龄≥18岁，ASA Ⅰ—Ⅲ级。根据术后24 h内是否发生POST将患者分为两组：POST组（P组）和无POST组（NP组）。收集患者术前、术中以及术后随访信息，将数据集随机划分成80%的训练集与20%的测试集，采用20折交叉验证以及网格搜索的方式在训练集上进行模型开发，测试集用于内部验证，分别建立逻辑回归（LR）、随机森林（RF）、自适应提升算法（AdaBoost）和极端梯度提升算法（XGBoost）等4种机器学习模型。采用受试者工作特征（ROC）曲线下面积（AUC）、准确性、敏感性、特异性、精确率-召回率曲线（PRC）下面积（AUPRC）、Brier分数评估模型的性能。采用夏普利加法解释（SHAP）对最佳性能的模型进行解释分析。结果：有221例（29.1%）患者发生POST。LR、RF、AdaBoost和XGBoost 4种机器学习模型的AUC分别为0.89（95%CI 0.87～0.90）、0.90（95%CI 0.87～0.91）、0.86（95%CI 0.81～0.89）和0.88（95%CI 0.86～0.91）。RF模型在测试集中表现最优，ROC曲线准确性84.0%，敏感性77.0%，特异性86.0%，Brier分数0.13，AUPRC 0.81，AUC 0.90。SHAP模型解释分析结果显示，拔管时导管套囊带血迹该变量对RF的贡献度最大，其余依次为留置气管导管时间、术中输液量、性别、年龄、气管插管次数>1次、ASA分级、留置胃管。结论：本研究基于LR、RF、AdaBoost和XGBoost算法构建4种POST风险预测模型，其中RF性能最佳。

来源：2025年第05期

《临床麻醉学》期刊编辑部

查看临床麻醉学杂志2025年第05期