机器学习能否在再次肺部手术前预测顽固性低氧血症？

单靠肺功能检查无法识别风险

再次肺切除（RPR）指患者已失去部分肺组织后接受的第二次肺部手术。单肺通气（OLV）期间，外科医生会主动使手术侧肺塌陷，以便操作另一侧肺，此时剩余的通气肺必须承担全部气体交换负荷。顽固性低氧血症就是这一安排失效：血氧下降，且常规纠正措施无法使其恢复。

论文的第一个结果是阴性结果，它决定了后续结果应如何解读。作者使用五项标准术前肺功能检查（PFT）参数——FVC、FEV1、FEV1/FVC、DLCO和MVV——训练了19种不同的机器学习学习器，并在训练队列中用10×10重复交叉验证评估。这19个模型全部表现不佳，AUROC低于0.6，AUPRC低于0.2。

这一比较设定了后续研究必须超越的基线。仅仅复现肺量计结果的模型没有额外价值，因为临床问题恰恰是：在常规肺功能看起来尚可的患者中，能否在术前识别出风险。

加入CT容积测量与两个时间点

随后，作者用更广的特征集重建模型，这些特征来自两个时间点：第一次手术（FP）前和第二次手术（SP）前。从282个候选特征中，37个具有合理临床相关性且缺失情况可接受的特征进入基于包装器的筛选步骤；在该步骤中，每个学习器反复提出特征子集，并保留在10折交叉验证下AUPRC最佳的子集。作者选择精确率-召回率曲线下面积（AUPRC）而非AUROC，是因为结局分布不均衡，而实际问题在于真实病例能被多好地识别出来。

其中最具特色的输入是CT导出的通气肺（VL）容积指标：VL绝对容积、VL容积比（VL容积除以全肺总容积），以及将这一比值乘以FVC或FEV1得到的VL肺功能指标。这些指标描述手术侧肺塌陷后还剩多少有功能的肺来氧合血液，而单靠肺量计无法反映这一点。

在19个学习器中，多变量自适应回归样条（MARS）模型在性能与简洁性之间取得了最佳平衡，仅使用五个预测变量：年龄、冠心病史、第一次手术时长、第二次手术前VL容积比和第二次手术前左肺容积。方差膨胀因子为1.01至1.16，说明这五个变量彼此并不冗余。

区分能力在三个外部队列中保持稳定

在训练队列（1,639例患者，218个事件，发生率13.3%）中，最终MARS模型的AUROC为0.790（95% CI 0.755–0.824），AUPRC为0.445（95% CI 0.374–0.514），基线发生率为0.133。由于AUPRC的基线等于事件发生率，这一数值代表精确率明显高于随机水平。

三个独立验证队列的结局发生率差异很大，因此应分别解读各自的结果，而不是合并成一个数字。验证队列1（146例患者，51个事件）发生率为34.9%，AUROC为0.750，AUPRC为0.641；队列2（133例患者，23个事件）发生率为17.3%，AUROC为0.765，AUPRC为0.529；队列3（122例患者，22个事件）发生率为18.0%，AUROC为0.782，AUPRC为0.473。因此，从排序能力看区分度保持稳定，而精确率-召回率指标则随各队列的基础事件率变化。

校准可以接受：训练队列的校准斜率为1.000，Brier分数为0.094；外部队列的斜率为0.678至0.922，截距为0.257至1.005，Brier分数为0.115至0.210。决策曲线分析显示，在所有队列中，当阈值概率在0.1至0.25之间时，净获益95% CI的下界始终高于“不治疗”线。

起作用的是五个预测变量而非算法

读者很容易得出这样的结论：机器学习模型在此优于传统统计方法。论文本身否定了这种解读：用同样五个预测变量构建的逻辑回归模型在所有队列中表现与MARS相当，MARS仅在区分度上带来有限提升。

因此，作者将机器学习流程主要描述为一个系统化框架，用于筛选预测变量和比较模型，而不是通过模型复杂度获得大幅性能提升的途径。实际含义是，价值在于选择了哪些变量——尤其是第二次手术前测量的CT导出通气肺容积——而不在于非线性拟合。

通气肺容积下降时风险上升

偏依赖图描述每个保留的预测变量对预测风险的边际效应。随着第二次手术前VL容积比和左肺容积下降，风险显著上升；随着第一次手术时长延长，风险也上升。无冠心病史患者的预测概率低于有冠心病史者。

年龄呈非线性关系：风险随年龄上升，在60至70岁之间达到峰值，之后下降。作者将70岁后的下降解释为选择偏倚而非保护作用：高龄候选者会接受特定的术前评估，因此能够进入手术的人代表心肺功能足以耐受手术的筛选人群。这一解释是作者对观察到的曲线的解读，而非已证实的因果机制。

12%阈值优先保证敏感性

作者将概率阈值固定为0.12，该值通过在训练队列中最大化约登指数选出。高于该阈值的患者会在术前被标记，以提示制定计划，例如选择肺隔离策略、准备CPAP或PEEP、加强术中监测、安排ICU或降级病房，以及进行更充分的知情同意讨论。

其推理明确是不对称的：由于顽固性低氧血症严重且可能危及生命，分诊工具应优先保证敏感性，接受更多假阳性，以避免漏掉脆弱患者。在该阈值下，各验证队列的F1分数为0.475至0.602，反映的是敏感性与阳性预测值之间的平衡，而非总体准确率。

结局本身的定义很严格，以避免把短暂血氧下降计入：单肺通气期间SpO2低于90%，并伴有以下任一情况：恢复双肺通气、记录到氧合困难，或SpO2低于92%持续至少10分钟。这一定义排除了探头移位或外周灌注不良引起的短暂事件，但也意味着模型预测的是这一操作性定义，而非所有形式的术中血氧下降。

回顾性证据仍待前瞻性检验

所有结果均来自2013年6月至2023年9月中国七家三级医院的回顾性队列，作者指出该模型迄今仅在回顾性队列中评估，需要前瞻性验证。各队列的基线特征也差异明显——例如，麻醉类型从训练队列以吸入麻醉为主，到验证队列3几乎全部为静吸复合麻醉——因此向其他实践环境的外推性尚未检验。

因此，该模型的临床价值取决于一个具体比较，而非“机器学习”这一标签：包含第二次手术前CT导出通气肺容积的五变量组合明显优于仅用PFT的模型，而用同样五个变量做简单逻辑回归很可能表现相似。接下来值得关注的问题是：前瞻性使用0.12阈值是否真的会改变围手术期计划和结局。

本文引用的文献