接受退行性脊柱手术成人患者医用粘胶相关皮肤损伤预测模型

《International Wound Journal》：Prediction Model for Skin Damage Related to Medical Adhesives in Adult Patients Undergoing Degenerative Spine Surgery

　　

本研究旨在基于接受退行性脊柱手术的成年患者电子病历(EMR)数据，开发医用粘胶相关皮肤损伤(MARSI)发生风险预测模型。研究人员回顾性收集2020年1月至2024年12月首尔某大学医院接受退行性脊柱手术的成年患者EMR数据，采用7种机器学习算法及SuperLearner集成算法评估模型性能，重点关注曲线下面积(AUC)、准确率、灵敏度、特异度、精确率及F1值。结果显示，单一机器学习算法中RuleFit算法表现最优，其AUC为0.723，准确率为0.689，灵敏度为0.959，特异度为0.276，精确率为0.762，F1值为0.789。相比之下，采用SuperLearner集成算法预测MARSI的AUC达0.951，准确率为0.834，灵敏度为0.635，特异度为0.964，精确率为0.921，F1值为0.752。本研究通过SuperLearner集成算法构建MARSI预测模型，可为临床早期识别高风险患者、制定个性化护理方案提供实践依据。未来研究建议通过前瞻性研究验证模型外部效度，并推进其与临床决策支持系统的整合。

该研究针对退行性脊柱手术患者术后医用粘胶相关皮肤损伤(MARSI)发生率显著高于普通外科患者的临床痛点，指出当前国际皮肤撕裂咨询小组发布的通用工具未针对此类人群设计，且缺乏基于电子病历(EMR)的高效预测模型。为解决这一问题，研究人员依托韩国首尔某大学医院骨科病房2020年1月至2024年12月的回顾性队列数据，开发了专门用于退行性脊柱手术患者的MARSI风险预测模型，最终证实SuperLearner集成算法在该场景下具有优异的预测效能，相关成果发表于《International Wound Journal》。

研究采用的核心技术方法包括：基于单中心457例初始队列的筛选策略，排除手术取消、术前已存在皮肤损伤及变量缺失病例后，纳入400例患者构成最终分析样本；从EMR中提取人口学特征、合并疾病史、身体质量指数(BMI)、白蛋白水平、过敏史、跌倒风险等级、压力性损伤风险等级及护理需求评估等多维度变量；采用7种单一机器学习算法（二元逻辑回归、决策树、支持向量机、K近邻、随机森林、极端梯度提升、RuleFit）与SuperLearner集成算法进行对比建模，通过五折交叉验证优化超参数，并以独立测试集评估模型性能。

研究结果部分的主要发现如下：

3.1 研究人群描述性特征显示，400例患者中MARSI发生率为37.0%，平均年龄69.97岁(SD=10.70)，女性占66.5%。MARSI组与非MARSI组在年龄分布、BMI分类、过敏史比例、白蛋白水平等指标上存在差异。

3.2 机器学习算法性能比较表明，RuleFit算法在单一模型中表现最佳，AUC达0.723，但其低特异度可能导致临床过度预警。

3.3 SuperLearner算法评估结果显示，集成模型的AUC提升至0.951，且特异度达0.964，显著优于单一算法。变量重要性分析确定年龄、白蛋白水平、过敏史及BMI为核心预测因子，其中逻辑回归（弹性网变量选择）在集成权重中占比最高(0.345)。

讨论部分指出，SuperLearner集成学习通过整合多算法优势，解决了单一模型在临床预测中的局限性，其核心变量与现有皮肤损伤机制研究一致：高龄导致皮肤生理屏障功能下降，低白蛋白血症反映营养状态与炎症状态异常，过敏史提示免疫反应风险，BMI异常则影响皮肤微环境与压力分布。研究同时强调，基于EMR的实时预测模型可嵌入临床决策支持系统，实现住院初期的分层干预。研究结论认为，该模型可作为退行性脊柱手术患者MARSI预防的标准化评估工具，未来需通过多中心前瞻性研究验证外部效度，并进一步分析基于模型的护理干预对患者结局与医疗资源利用的影响。