查看更多>>摘要:目的 比较Logistic回归和机器学习模型对胸腔镜肺部分切除术(TPPR)患者单肺通气(OLV)期间发生低SpO2的预测效能,并探讨低SpO2的危险因素.方法 选择2022年8月1日至2023年4月30日行单侧TPPR患者127例,男61例,女66例,年龄18~80岁,ASA Ⅰ-Ⅲ级.根据术中OLV期间是否出现SpO2<90%将患者分为两组:低SpO2组(n=21)和正常SpO2组(n=106).收集患者围术期相关数据,采用Logistic回归构建预测模型,与采用随机森林(RF)、极限梯度提升(XGBoost)、决策树(DT)、逻辑回归(LogR)、支持向量机(SVM)5种机器学习模型构建的预测模型进行比较,绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC)评价预测模型的效能.采用沙普利加和解释法(SHAP)解释输出的最佳模型,确定TPPR患者OLV期间低SpO2的危险因素.结果 多因素Logistic 回归分析显示,年龄增大(OR=1.087,95%CI 1.006~1.175,P=0.036)、BMI 升高(OR=1.299,95%CI 1.050~1.608,P=0.016)、术前血糖浓度升高(OR=2.028,95%CI 1.378~2.983,P<0.001)、RV/TLC%Pred降低(OR=0.936,95%CI 0.892~0.983,P=0.008)是 OLV 期间低 SpO2 独立危险因素,预测模型为 Logit(p)=-10.098+0.08×年龄+0.231×BMI+0.633×血糖-0.059×RV/TLC%Pred,该模型AUC为0.873(95%CI 0.803~0.943,P<0.001).经过网格搜索与五折交叉验证结合优化机器学习模型参数,模型训练效果良好.ROC曲线分析结果显示,RF的AUC为0.921(95%CI 0.840~0.979),XGBoost 的 AUC 为 0.940(95%CI 0.812~0.981),DT 的 AUC 为 0.919(95%CI 0.828~0.982),LogR 的 AUC 为 0.892(95%CI 0.831~0.980),SVM 的 AUC 为 0.922(95%CI 0.832~0.982),XGBoost预测的AUC最高,且高于传统的Logistic回归预测模型.经SHAP方法处理后,XGBoost输出模型中最重要的危险因素是年龄增大、BMI和术前血糖浓度升高.结论 年龄增大、BMI和术前血糖浓度升高是TPPR患者OLV期间低SpO2的危险因素,机器学习模型XGBoost预测OLV期间低SpO2发生的效能优于传统的Logistic回归,能分析变量与结局间的复杂关系,更精准地个体化预测OLV期间低SpO2的发生风险.