《Scientific Reports》：Building and validating machine learning models to predict appendiceal perforation during conservative treatment of fecalith-associated appendicitis: a 20-algorithm multicenter retrospective analysis
编辑推荐：
本研究发现，粪石相关性阑尾炎保守治疗中阑尾穿孔风险较高，亟需早期精准预测。为此，研究人员通过一项多中心回顾性分析，系统训练了20种机器学习算法，以开发预测模型。最终确定的梯度提升(Gradient Boosting)模型表现出色，AUC达0.892，外部验证AUC为0.909，并成功将患者分层为低、中、高风险组。该模型为临床决策提供了可操作的风险分层工具，有助于优化治疗策略。
阑尾炎是一种常见的外科急腹症。其中，一种特殊类型称为“粪石相关性阑尾炎”，即由粪石（坚硬粪块）堵塞阑尾管腔所引发。对于这类患者，临床上面临一个关键抉择：是立即进行手术切除，还是尝试先进行保守治疗（如使用抗生素）？保守治疗的优势在于可以避免手术带来的创伤和风险，尤其对于部分不适合手术的患者。然而，一个棘手的难题随之而来：在保守治疗期间，阑尾存在穿孔（即破掉）的风险。一旦发生穿孔，感染性的肠内容物会泄漏到腹腔，可能引发严重的腹膜炎、脓肿等并发症，显著增加治疗难度和患者死亡率。因此，如何在保守治疗初期，就准确识别出那些极有可能发生穿孔的高危患者，从而及时转为手术治疗，同时又能让低风险患者安全地避免不必要的手术，是临床实践中亟待解决的核心问题。传统的评估方法，如依赖单一临床指标或医生经验，其预测能力有限，缺乏精准的风险分层工具。为了解决这一临床痛点，一项题为“Building and validating machine learning models to predict appendiceal perforation during conservative treatment of fecalith-associated appendicitis: a 20-algorithm multicenter retrospective analysis”的研究在《Scientific Reports》上发表。该研究旨在利用现代机器学习技术，开发并验证一个能够精准预测粪石相关性阑尾炎患者在接受保守治疗期间发生阑尾穿孔风险的模型，以辅助临床决策。
为了开展这项研究，研究人员主要运用了以下几个关键技术方法：首先，研究设计为一项多中心回顾性队列分析，纳入了2018年1月至2023年12月期间来自四家三级医疗中心的1247名接受初始保守治疗的粪石相关性阑尾炎患者。其次，在建模方法上，研究系统性地训练和比较了20种不同的机器学习算法。在特征选择环节，采用了LASSO（Least Absolute Shrinkage and Selection Operator）正则化方法从34个候选临床、实验室和影像学变量中筛选出最具预测价值的特征。最终模型的性能通过受试者工作特征曲线下面积（Area Under the Curve, AUC）、灵敏度、特异度等指标进行评估，并在一家独立医院（泗水县人民医院，2023年1月至2024年12月）的225名患者队列中进行了外部验证，以检验模型的普适性。此外，研究还利用SHAP（SHapley Additive exPlanations）分析来解释模型决策，识别关键预测特征；通过决策曲线分析（Decision Curve Analysis, DCA）来评估模型在不同风险阈值下的临床净获益。
研究结果
患者队列与结局
该研究共分析了1247名患者，其中186人（14.9%）在开始保守治疗的72小时内发生了阑尾穿孔。这一比例凸显了对穿孔风险进行早期、准确预测的重要性和紧迫性。
预测特征的选择
通过LASSO正则化，研究从34个初始变量中筛选出8个最优预测特征用于构建最终模型。这8个特征覆盖了患者基本信息、炎症指标和影像学发现。
机器学习模型的性能比较与选择
在系统训练的20种算法中，集成梯度提升（Gradient Boosting）分类器表现最佳。在开发队列中，其预测阑尾穿孔的AUC为0.892（95%置信区间CI 0.871–0.913），灵敏度为84.4%（95% CI 79.2–89.6%），特异性为81.7%（95% CI 77.8–85.6%）。这表明该模型具有优秀的区分能力。
模型的外部验证
为了检验模型的泛化能力，研究在独立的泗水县人民医院队列（n=225）中进行了验证。结果显示模型性能稳健，AUC为0.909（95% CI 0.859–0.951），灵敏度为73.7%，特异性为93.0%，阳性预测值（PPV）为68.3%，阴性预测值（NPV）为94.6%。高特异性和高NPV意味着模型在识别“低风险”患者（即不太可能穿孔的患者）方面非常可靠，这可能有助于支持对这部分患者继续保守治疗的决策。
关键预测特征的贡献度分析
通过SHAP分析，研究量化了各个特征对模型预测结果的重要性。排名前五的关键预测因子及其SHAP重要性值为：粪石大小（0.234）、C反应蛋白（C-reactive protein, CRP, 0.186）、白细胞计数（white blood cell count, WBC, 0.162）、阑尾壁厚度（0.143）和患者年龄（0.121）。这为临床医生理解风险驱动因素提供了直观依据。
临床风险分层
基于模型的预测概率，研究将患者划分为三个风险等级：低风险（占58.9%，穿孔率3.8%）、中风险（占31.9%，穿孔率24.6%）和高风险（占9.2%，穿孔率71.3%）。这种清晰的分层能够直接指导临床实践，例如对高风险患者加强监测或提前手术干预，而对低风险患者则可能更安心地继续保守治疗。
决策曲线分析评估临床效用
决策曲线分析表明，在15%的阑尾穿孔风险阈值概率下，使用该模型进行临床决策的净获益（net benefit）为0.08。这意味着与应用“全部手术”或“全部保守”的策略相比，使用该模型来指导治疗决策能为患者带来额外的临床获益，证明了其实际的临床应用价值。
研究结论与讨论
该研究成功开发并验证了一个基于机器学习，特别是集成梯度提升方法的预测模型，用于评估粪石相关性阑尾炎患者保守治疗期间的阑尾穿孔风险。模型在内部开发和外部独立验证中均表现出优异的预测准确性（AUC > 0.89）。研究不仅比较了多种算法，确定了最优模型，还通过SHAP分析揭示了影响风险的关键因素，如粪石大小、CRP和WBC水平等。更重要的是，研究构建了一个具有直接临床可操作性的三级风险分层系统，能够清晰区分出穿孔风险差异巨大的患者群体。决策曲线分析进一步证实，基于此模型进行决策能为患者带来显著的临床净获益。这项工作的重要意义在于，它为解决粪石相关性阑尾炎保守治疗中的核心临床难题——平衡避免不必要手术和预防严重并发症——提供了一个数据驱动的、客观的、且经过验证的决策支持工具。该模型有望帮助临床医生实现更精准的个体化治疗，识别出真正需要早期手术的高危患者，同时让低危患者安全地避免手术创伤，从而优化整体治疗策略，改善患者预后。
