机器学习助力术后恶心呕吐预测：开启精准医疗新篇章

《BMC Anesthesiology》：Predicting postoperative nausea and vomiting using machine learning: a model development and validation study

为解决术后恶心呕吐（PONV）预测难题，研究人员开发模型，其预测性能超传统评分，助力个性化医疗。

　　术后恶心呕吐（Postoperative nausea and vomiting，PONV）是全身麻醉手术后患者常出现的并发症，就像手术康复路上的 “小怪兽”，不仅让患者在术后早期备受折磨，影响他们对麻醉和手术的满意度，还会延长在麻醉后监护病房（Postanesthesia care unit，PACU）的停留时间，增加门诊手术后非计划住院的几率，提高医疗成本。目前用于预测 PONV 的经典评分却不太给力，平均预测准确率不到 70%，无法满足精准评估患者风险和制定个性化医疗方案的需求。

为了打败这只 “小怪兽”，来自以色列舍巴医学中心（Sheba Medical Center）等机构的研究人员开展了一项重要研究，旨在开发基于机器学习算法的模型，预测早期（PACU 停留期间）和延迟（术后 24 小时内）PONV 的风险，并与现有预测评分进行比较。该研究成果发表在《BMC Anesthesiology》上，为临床治疗带来了新的希望。

在研究中，研究人员运用了多种关键技术方法。他们收集了 2018 年 9 月 1 日至 2023 年 9 月 1 日以色列舍巴医学中心全身麻醉手术后入住 PACU 的成年住院患者的回顾性数据。通过严格的纳入和排除标准筛选后，最终纳入 35003 例患者的数据进行分析。在数据处理过程中，运用了 k 折交叉验证方法，将数据分为训练集和测试集，以优化模型性能；使用树基管道优化工具（Tree-based Pipeline Optimization Tool，TPOT）和网格搜索方法调整模型超参数，并应用剪枝方法提高模型的泛化能力。同时，采用信息增益法和 SHapley Additive exPlanations（SHAP）分析评估各参数在预测中的重要性。

研究结果令人惊喜。在描述性统计方面，最终队列包含 35003 例患者，其中女性占 46.59%，患者年龄中位数为 51.0 岁。大多数特征之间相关性较低，早期 PONV 和延迟 PONV 的 Pearson 相关性也低，McNemar 检验证实两者存在显著差异。

在预测模型性能及比较上，研究人员创建了两个预测模型，“早期 PONV” 模型基于 XGboost 模型，“延迟 PONV” 模型是 k 近邻模型与随机森林模型的集成。通过计算受试者工作特征曲线（Receiver operating characteristic curve，ROC）和曲线下面积（Area under the curve，AUC）评估模型，早期和延迟 PONV 预测模型的 AUC 分数分别为 0.872 和 0.708。与传统预测评分（如 Apfel 和 Koivuranta 评分）相比，新模型在准确性、召回率、精确率和 F1 分数等指标上表现更优。例如，早期 PONV 预测模型的准确率达到 0.836，而其他预测评分的准确率在 0.536 - 0.706 之间；延迟 PONV 预测模型的准确率为 0.748，其他评分的准确率在 0.570 - 0.644 之间，且新模型的准确性提升具有统计学意义。

在特征重要性分析中，确定了影响早期和延迟 PONV 的关键因素。早期 PONV 的主要预测因素包括麻醉时长、PACU 中使用非阿片类镇痛药、手术时长、术中晶体液输注量和手术类型等；延迟 PONV 的主要影响因素有手术类型、手术科室、手术时长、麻醉时长和术中晶体液输注量等。SHAP 分析进一步揭示了各变量对模型的影响，如腹腔镜手术方式、较长的麻醉和手术时间、较高的体重指数（Body mass index，BMI）等与早期 PONV 风险增加相关；较长的麻醉和手术时间、术后非阿片类镇痛药使用增加、术中吗啡剂量较高等与延迟 PONV 风险增加相关。

研究结论和讨论部分表明，该研究开发的基于机器学习的预测模型在 PONV 预测方面表现出色，具有良好的判别性能，能有效识别 PONV 风险患者，有助于实现个性化医疗。然而，研究也存在局限性，如数据来自单中心，可能限制模型的通用性，且机器学习模型发现的相关性不能等同于因果关系，需要进一步的前瞻性研究和临床验证。

总体而言，这项研究为 PONV 的预测和评估迈出了重要一步，为未来开发更精准的预测工具奠定了基础，有望在临床实践中改善患者的治疗效果，让患者在术后能少一些痛苦，多一些康复的希望。