换一批青少年特发性脊柱侧弯患者术后慢性疼痛预测及护理决策系统研究
Chronic post-surgical pain prediction and nursing decision system for adolescent idiopathic scoliosis patients
摘要目的 构建并验证一个整合多维临床和生物心理社会因素的改进型吕佩尔狐优化算法(IRFO)自适应机器学习(AutoML)框架,精准预测青少年特发性脊柱侧弯(AIS)患者脊柱融合术后慢性疼痛(CPSP)风险.方法 纳入668例AIS手术患者,采用8∶2比例随机划分训练集(534例)与测试集(134例).开发IRFO-AutoML框架,通过双阶段优化流程.特征筛选应用AutoML识别初始特征,再以LASSO回归验证稳健性;沙普利加法解释(SHAP)模型解析可解释性.评价指标包括分类性能(ROC-AUC、PR-AUC)、校准性能(Brier分数)及临床应用(决策曲线分析,DCA).结果 训练集与测试集结局事件(CPSP)比例一致(33.90%vs.34.33%,χ2=0.009,P=0.925).模型识别7项核心预测因子:患者疼痛灾难化量表(PCS)评分、C反应蛋白(CRP)峰值、术前疼痛数字评分量表(NRS)评分、监护人焦虑评分、主弯Cobb角、下床活动时间、术中失血量.IRFO-AutoML在测试集性能显著优于对比模型(ROC-AUC:0.923 9;PR-AUC:0.843 4;F1:0.745 5).SHAP分析揭示高PCS与高CRP组合、重度侧弯与大量失血使风险增加.DCA证明模型在1%～99%的风险阈值内具有较好的临床净获益.结论 本研究开发的IRFO-Au-toML框架有效整合多维因素,解决高维数据处理瓶颈并优化预测精度,显著提升AIS患者术后CPSP预测精度,其闭环决策支持系统为临床早干预提供新工具.
更多相关知识
关键词
青少年特发性脊柱侧弯慢性术后疼痛自适应机器学习风险预测模型护理因素Adolescent idiopathic scoliosisChronic post-surgical painAdaptive machine learningRisk prediction modelNursing factors
栏目名称
DOI
10.3969/j.issn.1674-8573.2026.02.012
发布时间
2026-04-10（万方平台首次上网日期，不代表论文的发表时间）
- 浏览1
- 被引0
- 下载2
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
