临床麻醉学杂志

作者：许斯洋,王君,渠磊秋,桂波,阮姗

单位：210024,南京医科大学附属老年医院麻醉疼痛科,210024,南京医科大学附属老年医院麻醉疼痛科,210024,南京医科大学附属老年医院麻醉疼痛科,210024,南京医科大学附属老年医院麻醉疼痛科,210024,南京医科大学附属老年医院麻醉疼痛科

关键词：机器学习,胸腔镜肺部分切除术,单肺通气,年龄,体重指数,血糖,

目的：比较Logistic回归和机器学习模型对胸腔镜肺部分切除术（TPPR）患者单肺通气（OLV）期间发生低SpO2的预测效能，并探讨低SpO2的危险因素。方法：选择2022年8月1日至2023年4月30日行单侧TPPR患者127例，男61例，女66例，年龄18～80岁，ASA Ⅰ—Ⅲ级。根据术中OLV期间是否出现SpO2<90%将患者分为两组：低SpO2组（n=21）和正常SpO2组（n=106）。收集患者围术期相关数据，采用Logistic回归构建预测模型，与采用随机森林（RF）、极限梯度提升（XGBoost）、决策树（DT）、逻辑回归（LogR）、支持向量机（SVM）5种机器学习模型构建的预测模型进行比较，绘制受试者工作特征（ROC）曲线，计算曲线下面积（AUC）评价预测模型的效能。采用沙普利加和解释法（SHAP）解释输出的最佳模型，确定TPPR患者OLV期间低SpO2的危险因素。结果：多因素Logistic回归分析显示，年龄增大（OR=1.087，95%CI 1.006～1.175，P=0.036）、BMI升高（OR=1.299，95%CI 1.050～1.608，P=0.016）、术前血糖浓度升高（OR=2.028，95%CI 1.378～2.983，P＜0.001）、RV/TLC%Pred降低（OR=0.936，95%CI 0.892～0.983，P=0.008）是OLV期间低SpO2独立危险因素，预测模型为Logit（p）=-10.098+0.08×年龄+0.231×BMI+0.633×血糖-0.059×RV/TLC%Pred，该模型AUC为0.873（95%CI 0.803～0.943，P＜0.001）。经过网格搜索与五折交叉验证结合优化机器学习模型参数，模型训练效果良好。ROC曲线分析结果显示，RF的AUC为0.921（95%CI 0.840～0.979），XGBoost的AUC为0.940（95%CI 0.812～0.981），DT的AUC为0.919（95%CI 0.828～0.982），LogR的AUC为0.892（95%CI 0.831～0.980），SVM的AUC为0.922（95%CI 0.832～0.982），XGBoost预测的AUC最高，且高于传统的Logistic回归预测模型。经SHAP方法处理后，XGBoost输出模型中最重要的危险因素是年龄增大、BMI和术前血糖浓度升高。结论：年龄增大、BMI和术前血糖浓度升高是TPPR患者OLV期间低SpO2的危险因素，机器学习模型XGBoost预测OLV期间低SpO2发生的效能优于传统的Logistic回归，能分析变量与结局间的复杂关系，更精准地个体化预测OLV期间低SpO2的发生风险。

来源：2024年第10期

《临床麻醉学》期刊编辑部

查看临床麻醉学杂志2024年第10期