目的开发一种基于复合炎症-免疫反应评分的机器学习(machine learning,ML)模型,预测脊柱手术患者术后谵妄(postoperative delirium,POD)风险。方法选取我院2019年1月至2022年7月的293例脊柱手术患者,以3∶2比例随机分为训练组和测试组。收集术前8种全身炎症-免疫反应标志物及一般临床资料。使用最小绝对值收敛和选择算子(least absolute value convergence and selection operators,LASSO)算法所得的回归系数构建复合炎症-免疫反应评分(complex inflammation-immune response score,CIIRS)。通过LASSO算法筛选出脊柱手术患者POD风险变量并基于此构建10种ML模型。SHAP(SHapley Additive exPlanations)用于模型可视化解释。结果293例患者中,59例出现POD(20.1%)。基于NLR水平×0.537+PLR水平×0.009+MLR水平×0.168-HRR水平×1.548+MHR水平×0.954+CAR水平×6.166的CIIRS具有较高诊断脊柱手术患者POD能力[曲线下面积(area under the curve,AUC)(95%CI):0.936(0.904~0.962)]。LASSO算法确定年龄、吸烟、手术时间和CIIRS与脊柱手术患者POD风险相关(P<0.05)。10种ML算法中,训练组与测试组均证实XGBoost的精确-召回曲线(precision-recall curve,PRC)、精确-召回收益曲线(precision-recall gain curve,PRGC)和接受者操作特征曲线(recipient operating characteristic curve,ROC)的曲线下面积(area under the curve,AUC)值处于最高,诊断性能最好。基于SHAP可视化XGBoost模型能降低脊柱手术患者POD假阳性率。结论基于年龄、吸烟、手术时间和CIIRS的XGBoost模型对预测脊柱手术患者POD具有极高诊断性能。模型的SHAP可视化能实现高准确率的POD风险分层,指导医护人员完善患者围术期诊疗策略。
