1~2 cm单发肺磨玻璃结节患者亚肺叶切除术后并发症的机器学习预测模型研究OA

目的:基于机器学习算法构建1~2 cm单发磨玻璃样肺结节(GGN)患者亚肺叶切除术后30 d内出现并发症的预测模型,并对模型性能进行验证。方法:回顾性收集2019年6月—2022年6月于合肥市第八人民医院接受亚肺叶切除术的226例单发GGN患者的临床资料。根据术后30 d内是否出现Clavien-Dindo分级≥Ⅱ级并发症,将患者分为并发症组(n=46)与无并发症组(n=180)。收集两组患者的一般人口学特征、合并疾病情况、肺功能与心功能指标、结节影像学特征及围手术期相关指标,并采用最小冗余最大相关(mRMR)算法进行预测特征筛选。随后,基于分层5折交叉验证,分别构建L2正则化Logistic回归(LR)、随机森林(RF)、支持向量机(SVM)及LightGBM四种预测模型,通过受试者工作特征曲线下面积(AUC)等指标评估模型性能,并利用SHAP值对最优模型进行可解释性分析。结果:术后并发症发生率为20.35%(46/226)。经mRMR算法筛选,共纳入年龄、FEV1%pred、美国麻醉医师协会(ASA)分级等8个关键预测特征。在四种模型中,LightGBM模型的预测性能最佳,其AUROC为0.816(95%CI:0.757~0.868),灵敏度为0.696,特异度为0.811。决策曲线分析显示,该模型具有良好临床净获益。SHAP重要性分析表明,FEV1%pred降低、年龄增大、ASA分级升高及合并慢性阻塞性肺疾病(COPD)等因素是增加并发症风险的主要贡献变量。结论:基于LightGBM算法构建的预测模型可有效预测1~2 cm单发GGN患者亚肺叶切除术后早期并发症风险,有助于临床实施早期风险分层,并为围手术期管理决策提供参考依据。