《Frontiers in Artificial Intelligence》：Unsupervised and explainable machine learning solutions for last-minute cancelations in pediatric ambulatory and day surgeries in Italy
编辑推荐：
本研究聚焦意大利儿科日间手术末次取消率（3.84%）对医疗效率的影响，采用因子混合数据分析（FAMD）、k?means聚类（k=3）与随机森林（Random Forest）可解释性方法，识别住院类型（特征重要性0.47）与术式类型为核心驱动因素，为优化资源调度、降低取消风险提供数据驱动的精准干预方案。
在儿科医疗体系中，日间手术与门诊手术因其高效、低成本的特点，已成为全球医疗改革的重要方向。然而，“末次取消”（即手术当天临时取消）如同一颗“隐形炸弹”——它不仅打乱医院精密排班，浪费手术室、麻醉团队等稀缺资源，更让患儿家庭陷入焦虑：重新协调工作、安排陪护、应对治疗延迟带来的健康风险。尤其在意大利等公立医疗体系国家，资源紧张与高标准的矛盾下，如何精准预测并减少末次取消，成为提升医疗质量的关键难题。
为此，罗马Bambino Gesù儿童医院的研究团队在《Frontiers in Artificial Intelligence》发表了一项创新研究。他们跳出传统统计分析的局限，首次将无监督机器学习（Unsupervised Machine Learning, ML）与可解释人工智能（Explainable AI, XAI）结合，对4600例儿科手术数据进行深度挖掘——如同为医疗数据绘制“特征地图”，从混杂信息中提炼规律，最终找到降低取消率的精准靶点。
关键技术方法
研究基于2020年1月至2022年3月Bambino Gesù医院的4600例患儿数据（含4417例手术、183例取消病例），纳入年龄、住院类型（门诊/单日/多日）、手术团队、术式等变量。首先用混合数据因子分析（Factor Analysis of Mixed Data, FAMD）降维处理分类与连续型混合数据；再通过霍普金斯统计量（Hopkins statistic）验证数据聚类倾向后，采用k-means算法划分患者群体；最后训练随机森林（Random Forest）分类器提取特征重要性，实现聚类结果的临床可解释性。
研究结果
基础数据与取消特征
末次取消率为3.84%，低于多数同类研究。取消患儿中位等待时间达105天（最短4天、最长757天），提示长等待期可能加剧取消风险；外科医生（85例）与麻醉师（73例）是取消的主要决策者，前者多因“手术指征不明确”，后者则集中于呼吸道感染等麻醉禁忌。
聚类分析揭示三类患者群
FAMD提取的两个主成分共解释100%方差，霍普金斯统计量（0.003）证实数据强聚类倾向。综合轮廓系数（0.696）、戴维斯-布尔丁指数（0.447）等指标，确定最佳聚类数k=3：
- •
Cluster 0（n=2010）：以整形颌面外科（765例）、男科（533例）等为主，超88%为门诊手术，反映低复杂度群体的集中模式；
- •
Cluster 1（n=1773）：以男科手术（809例）占优，中位手术时长最长（27.01分钟），对应中等复杂度需求；
- •
Cluster 2：手术执行率最高（97.92%），可能是流程标准化程度更高的群体。
三组在年龄（p<0.001）、手术时长（p<0.001）等方面均具显著差异，证明聚类有效捕捉了临床异质性。
可解释AI锁定核心驱动因素
随机森林特征重要性显示：住院类型（Hospitalization Regime，重要性0.47）与术式类型（Procedure Type，重要性0.45）是区分集群的最关键因素，远高于年龄与手术科室。这表明“患者路径”（如门诊vs多日住院）比人口学特征更能预测取消风险——需多次评估的复杂患儿，更易因突发状况导致末次取消。
结论与启示
研究首次将无监督ML与XAI结合应用于意大利儿科手术取消分析，证明住院类型与术式类型是末次取消的核心靶点。这一发现打破“年龄或科室为主导”的传统认知，为医疗管理提供精准抓手：例如为“多日住院路径”的高危患儿设计专属预评估流程，或通过术前远程监测减少感染相关取消。
更重要的是，在意大利国家卫生体系面临成本压力的背景下，该研究为“数据驱动的持续改进”提供了范本——通过ML挖掘电子病历中的隐藏规律，既能优化手术室利用率（目标接近85%饱和率），又能保障患儿安全，实现医疗效率与质量的双赢。尽管存在单中心回顾性数据的局限，但作为欧洲最大儿科医院的首个意大利本土证据，它仍为全球儿科日间手术的精细化管理点亮了智能化的“导航灯”。
