首页 > 实用临床医药杂志 > 基于机器学习变量筛选的老年胸腔镜肺癌手术患者术后谵妄预测模型的构建与验证

基于机器学习变量筛选的老年胸腔镜肺癌手术患者术后谵妄预测模型的构建与验证

Construction and validation of a predictive model for postoperative delirium in elderly patients with thoracoscopic lung cancer surgery based on machine learning variable screening

二维码有效期 120s

摘要目的探讨老年胸腔镜肺癌根治术患者发生术后谵妄(POD)的危险因素,并构建列线图模型.方法采用回顾性研究方法,收集2022年1月—2025年1月邯郸市中心医院收治的597例老年(≥65岁)胸腔镜肺癌根治术患者的资料,并采用随机数字表法按7∶3的比例将患者分为建模集(n=417)和验证集(n=180).根据谵妄评估(CAM)量表将患者分为POD组和非POD组.采用机器学习变量筛选方法(LASSO回归)与传统Logistic回归相结合建立预测模型,构建列线图.采用受试者工作特征(ROC)曲线、校准曲线评价其区分度和校准度,通过Hosmer-Lemeshow检验进行拟合优度评估,并利用决策曲线分析(DCA)量化其临床净获益.结果 LASSO回归分析筛选出 8个非零系数预测变量.多因素Logistic回归分析确定5 个独立危险因素:年龄(OR=1.30,95％CI:1.070～1.193)、教育水平(OR=0.581,95％CI:0.344～0.982)、术前认知功能[蒙特利尔认知评估量表(MoCA)](OR=0.821,95％CI:0.745～0.904)、脑血管病史(OR=2.667,95％CI:1.325～5.367)、手术时间(OR=1.023,95％CI:1.010～1.036).整合上述5个跨生理-认知-社会维度的核心指标,构建列线图预测工具.该模型在建模集中的曲线下面积(AUC)为0.804(95％CI:0.757～0.850),在验证集中的AUC为0.793(95％CI:0.723～0.863),差异无统计学意义(P=0.804).经 Hosmer-Lemeshow 检验,建模集(x2=10.508,P=0.231)和验证集(x2=8.641,P=0.373)校准度良好.DCA显示在较宽的阈值范围内(建模集为0.01～0.56;验证集为0.01～0.50),使用该预测模型具有显著的临床净获益.结论本研究构建的针对≥65岁老年胸腔镜肺癌根治术的列线图模型,可为早期识别高危患者并实施针对性干预提供量化工具.