ANNALS OF SURGERY：基于机器学习的胰腺十二指肠切除术后胰腺瘘的预测

胰十二指肠切除术(PD)是一项复杂的手术，用于治疗无全身转移或累及胰头的慢性胰腺炎的胰头病变尽管手术技术和围手术期护理有所进步，但临床相关的术后胰瘘(CR-POPF)仍然是PD后最常见的并发症之一，并与显著的发病率相关。CR-POPF发生在10-20%的患者中，与较高的死亡率、胃排空延迟、感染和出血、住院时间延长、费用增加和计划外再入院有关。5,6准确预测CR-POPF可能有助于对潜在pd候选者进行风险分层和适应性治疗策略。

几个研究小组先前已经开发了离散的评分指标来估计CR-POPF的风险，主要基于导管大小和腺体结构。然而，低样本量、对高危患者的不准确估计以及主观特征的任意二分类(小与大的导管、软与硬的腺体)是先行模型的常见局限性。此外，以前发表的风险指数通常产生的估计值具有较宽的置信区间，并且显示不充分的区分和校准。

这些限制可以通过机器学习(ML)算法的应用来克服，机器学习(ML)算法是使用非线性数据结构(如决策树或神经网络)导出的，可以整合不同的输入以生成高度准确的风险预测。事实上，与传统的线性和逻辑回归相比，ML风险评分在各种临床应用中取得了更好的表现。此外，使用更大的现代数据集进行模型推导可能会提高预后能力，特别是考虑到近二十年来胰腺手术的进展。

因此，2023年11月10日发表在ANNALS OF SURGERY的文章，使用来自美国外科医师学会(ACS)国家手术质量改进计划(NSQIP)的数据来建立一个ML模型来估计PD后CR-POPF的风险。我们假设，与之前发表的瘘风险评分相比，我们的ML模型将在内部和外部验证队列中产生更好的辨别和校准。

2014-2018 ACS NSQIP内所有涉及PD的记录都已确定。此外，2013年至2021年期间在我们机构接受PD的患者从我们的本地数据存储库中进行了查询。开发了一个极端梯度提升（XGBoost）模型，以使用ACS NSQIP的数据估计CR-POPF的风险，并使用机构数据进行评估。使用接收器操作特性（AUROC）和精密召回曲线（AUPRC）下的面积估计了模型辨别。

研究结果显示，2014-2018年ACS NSQIP和我们的机构登记册中分别确定了12281名和445名接受PD的患者。XGBoost和mFRS评分应用于内部验证数据集显示，前一个模型的AUROC（0.72对0.68，P<0.001）和AUPRC（0.22对0.18，P<0.001）明显更大。在外部验证数据集中，XGBoost模型仍然优于mFRS，AUROC为0.79（95%CI 0.74-0.84），而0.75（95%CI 0.70-0.80，P<0.001）。此外，与mFRS相比，XGBoost模型的AUPRC更高。

图1：递归特征消去对训练数据集的应用表明，只需要24个协变量就可以实现接收者工作特征曲线(AUROC)下的最大面积

综上所述，本研究利用ACS NSQIP的数据建立了一个新的ML模型，该模型可以准确预测PD后CR-POPF的形成。该模型在内部和外部验证队列中始终优于先前验证的mFRS，从而证明了其在增强CR-POPF预测方面的通用性和实用性。

原始出处

Verma, Arjun BS*; Balian, Jeffrey*; Hadaya, Joseph MD PhD*,†; Premji, Alykhan MD†,‡; Shimizu, Takayuki MD PhD†,‡; Donahue, Timothy MD†,‡; Benharash, Peyman MD MS*,†,§. Machine Learning Based Prediction of Postoperative Pancreatic Fistula Following Pancreaticoduodenectomy. Annals of Surgery ():10.1097/SLA.0000000000006123, November 10, 2023. | DOI: 10.1097/SLA.0000000000006123