Time-sequential prediction of postoperative complications after gastric cancer surgery using machine learning: a multicenter cohort study.
研究背景
胃癌术后并发症是重要临床问题，可能致额外手术、延长住院时间甚至增加死亡风险。以往预测模型多未纳入关键术后变量，而机器学习能处理复杂大数据集，本研究旨在用围手术期数据开发时间序列模型，提高预测准确性。
方法速览
采用回顾性多中心队列设计，纳入2013 - 2019年两家医院胃癌手术患者，收集围手术期数据。随机分割数据集，开发四种机器学习模型预测不同时间点并发症，用AUC评估性能并多次验证。
主要发现
- 8小时模型表现佳：预测所有并发症AUC值0.737，显著优于其他模型；预测特定感染性并发症AUC值超0.8。
- 3天模型有优势：预测胰瘘和腹腔脓肿AUC值超0.8，优于1天模型。
- 重要特征明确：8小时模型中，CRP、脉搏率和术中出血量是重要特征。
- 不同模型对比：24小时模型预测所有并发症AUC值略低于8小时模型，但预测特定感染性并发症表现相当；3天模型中，机器学习模型在预测部分并发症上优于传统逻辑回归模型。
总结展望
本研究首次用机器学习结合围手术期数据实现时间序列并发症预测，8小时模型准确性高，还识别了关键特征。不过，研究存在回顾性设计、数据泄漏、模型透明度和公开性等局限，结果普适性和可重复性受限。