人工智能模型助力非小细胞肺癌术后 ICU 入院精准预测

《European Journal of Medical Research》：Prediction of postoperative intensive care unit admission with artificial intelligence models in non-small cell lung carcinoma

非小细胞肺癌（NSCLC）术后 ICU 收治缺乏标准规范。研究人员利用深度学习模型开展相关研究，分析 953 例患者数据。结果显示模型预测准确率达 85.3% ，F1 平均分为 82.3%，AUC 为 0.83。该研究为 ICU 收治决策提供客观依据，意义重大。

　　肺癌，作为全球范围内最常被诊断出的癌症之一，也是癌症相关死亡的主要原因。其中，非小细胞肺癌（NSCLC）占据了约 85% 的肺癌诊断病例。在 NSCLC 的治疗中，手术是早期患者的金标准治疗方式，但术后是否需要入住重症监护病房（ICU）却缺乏明确的客观评估标准。目前，临床实践中主要依据患者的当前临床状况和计划手术来决定是否入住 ICU，然而这种评估方式受多种因素影响，如患者的合并症、呼吸功能数据、机械通气需求、术后血流动力学稳定性，以及手术过程中的并发症和手术风险等，还会受到外科医生、麻醉团队和医院经验的影响。而且，常规将每个接受 NSCLC 手术的患者都收入 ICU 会导致优质基础设施的低效利用，而不恰当的评估又可能使需要 ICU 护理的患者面临更高的发病率和死亡率。因此，如何精准预测 NSCLC 术后患者对 ICU 的需求，成为亟待解决的问题。

在这样的背景下，来自伊斯坦布尔大学塞拉哈帕萨医学院胸外科（Department of Thoracic Surgery, Istanbul University Cerrahpasa-Cerrahpasa Medical School）等机构的研究人员开展了一项旨在利用人工智能和机器学习算法高精度、高成功率地检测肺癌胸外科术后患者 ICU 住院需求的研究。该研究成果发表在《European Journal of Medical Research》上，为这一领域带来了新的希望和方向。

研究人员开展此项研究，主要运用了以下关键技术方法：首先，收集了 2001 年至 2023 年期间在该诊所因 NSCLC 接受肺切除术和系统性淋巴结清扫术的 953 例患者的数据，这些数据涵盖了患者的人口统计学信息、临床数据、呼吸参数、实验室数据、肿瘤的影像学和手术相关信息以及病理数据。其次，采用完全连接神经网络算法（FCNN）进行深度学习，并运用 k 折交叉验证方法，将 90% 的数据用于训练模型，10% 的数据用于测试，以此来评估算法的性能 。

研究结果主要包含以下几个方面：

1. 患者基本信息：在 2001 年至 2023 年期间，953 例接受手术的患者平均年龄为 61.3±9.8 岁，其中 80.5%（767 例）为男性，19.5%（186 例）为女性，32.7%（312 例）的患者术后入住了 ICU。
2. 模型性能指标：训练数据方面，算法的敏感性为 80.1%，阳性预测值为 94.5%，准确率为 92.0%，F1₁评分为 86.7%，F1₀值为 94.2%，F1 平均分为 90.5%；测试数据方面，算法的敏感性为 67.7%，阳性预测值为 84.0%，准确率为 85.3%，F1₁评分为 75.0%，F1₀评分为 89.5%，F1 平均分为 82.3%。此外，算法测试数据的受试者工作特征曲线（ROC 曲线）下面积（AUC）为 0.83。

研究结论和讨论部分指出，该研究中深度学习算法对术后 ICU 入院需求预测的准确率较高，F1 平均分和 ROC 曲线下面积等指标表明算法能做出高精度、高成功率的预测。这一模型可以作为 ICU 入院预测和基于人工智能决策的起点，在术前依据客观标准评估患者对 ICU 的需求，帮助医护人员做好 ICU 准备工作，也能让患者及其家属对 ICU 治疗有更充分的准备。虽然目前人工智能研究存在数据量和多样性不足等问题，但随着技术的发展，人工智能模型与医生决策的同步评估将使模型更贴近实际临床数据。总的来说，这项研究的人工智能模型能够辅助临床医生进行 ICU 入院需求评估决策，为客观评估提供有力支持，在优化医疗资源利用、改善患者预后等方面具有重要意义。