可解释的机器学习模型预测后路腰椎椎间融合术患者术中获得性压力性损伤风险
严慧霞1
路遥1
张永军1
佟茂琪1
马晨溪2
张涛2
1.236000 亳州,安徽医科大学附属亳州医院手术室2.236000 亳州,安徽医科大学附属亳州医院脊柱外科
摘要：目的 基于 Boruta 算法、Shapley 加性解释(Shapley additive explanations,SHAP)和机器学习(machine learning,ML)开发预测后路腰椎椎间融合术(posterior lumbar interbody fusion,PLIF)患者术中获得性压力损伤(intraoperatively acquired pressure injuries,IAPI)风险模型.方法 选取 2021年 1月至 2024年 4月,我院行 PLIF 治疗的 271 例患者,通过 Boruta 算法筛选 IAPI 风险变量.以 3∶2 比例随机分为训练集(n=163)和测试集(n=108)来训练 4 种 ML 模型.使用接收者操作特征曲线(receiver operating characterization curve,ROC)评估 4 种 ML 模型预测性能.通过 SHAP 可视化最佳 ML 模型.结果 271 例 PLIF 患者 IAPI 发病率为12.2%.Boruta 算法筛选出禁食时间、白蛋白(albumin,ALB)、年龄、吸烟、血氧饱和度(oxygen saturation,SaO2)、体质量指数(body mass index,BMI)、血红蛋白(hemoglobin,Hb)、性别和高血压是 IAPI 风险变量.4 种 ML 算法中,训练集和测试集的 ROC 证实极端梯度提升(eXtreme Gradient Boosting,XGBoost)模型预测IAPI风险性能最高.SHAP条形图显示贡献 IAPI风险排序依次为年龄、ALB、禁食时间、吸烟、性别、SaO2、BMI、Hb 和高血压.SHAP 摘要图显示 9 个 IAPI 风险特征变量 SHAP 值呈两端分离.SHAP 力图显示 XGBoost模型能以接近 100%的准确度预测 IAPI 风险.结论 年龄、ALB、禁食时间、吸烟、性别、SaO2、BMI、Hb和高血压是 IAPI风险变量.基于 SHAP可视化的 XGBoost模型能精准预测 PLIF患者 IAPI风险.
关键词：腰椎脊柱融合术扭伤和劳损机器学习
分类号：R687.3(骨科学（运动系疾病、矫形外科学）)
论文发表日期：2025-06-19
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：5( 547-551 )
英文信息