基于床旁肺与膈肌超声构建可解释机器学习模型对胃肠道肿瘤手术患者术前肺功能的预测价值
李天远
田影
龙鼎德
董洋
傅欢
南昌大学第一附属医院麻醉手术部(江西 南昌 330006)
摘要：目的 开发并验证基于床旁肺部超声(lung ultrasound,LUS)与膈肌超声(diaphragm ultra-sound,DUS)的可解释机器学习模型,用于术前预测胃肠道肿瘤手术患者的肺功能障碍.方法 采用前瞻性研究设计,纳入424例患者(2021年6月至2023年12月)用于模型开发,并在一个独立的101例患者队列(2024年1-12月)上进行外部验证.收集了临床变量、PFTs结果和超声参数(LUS评分、膈肌移动度和增厚分数).使用3种特征选择方法:Least Absolute Shrinkage and Selection Operator(LASSO)、Support Vector Machine Recursive Feature Elimination(SVM-RFE)、eXtreme Gradient Boosting Recursive Feature Elimi-nation(XGBoost-RFE)筛选关键预测因子.使用5折交叉验证训练和评估了5种机器学习算法.基于AUC、准确度、敏感度、特异度、校准和决策曲线分析评估最佳模型.通过SHapley Additive exPlanations(SHAP)分析模型的可解释性.结果 术前肺功能障碍的患病率为36.8%.确定深呼吸时膈肌移动度[diaphragmatic excursion during deep breathing,D-DE(4.26 cm vs.5.05 cm,P<0.001)]、肺部超声评分[LUS score,LUSs(4 vs.1,P<0.001)]和深呼吸时膈肌增厚分数[diaphragmatic thickening fraction during deep breathing,D-DTF(39.83%vs.71.80%,P<0.001)]为关键预测因子.支持向量机(support vector machine,SVM)模型表现出优异的泛化能力,在内部测试集上AUC达到0.867(准确度80.0%,敏感度81.8%,特异度79.4%).外部验证证实了其稳健性能,AUC为0.934(95%CI:0.881～0.987),准确度为88.0%.SHAP分析显示D-DTF是最有影响力的保护性因素.结论 整合了D-DE、LUSs和D-DTF的可解释SVM模型能够准确预测胃肠道肿瘤患者的术前肺功能障碍,为术前风险评估提供了无创、床旁适用的新方法.
关键词：肺部超声膈肌超声肺功能测试机器学习术前评估
分类号：R445.1(诊断学)
资助基金：江西省卫生健康委科技计划课题(202210389)
论文发表日期：2025-12-25
在线出版日期：2026-01-04（本平台首次上网日期，不代表文献的发表时间）
页数：11( 3929-3939 )
英文信息