预测扁桃体切除术后出血(post-tonsillectomy hemorrhage, PTH)的机器学习(machine learning, ML)模型的开发与验证
《European Archives of Oto-Rhino-Laryngology》：Development and validation of a machine learning model predicting post-tonsillectomy hemorrhage
编辑推荐：
目的 开发并验证用于预测扁桃体切除术后出血(post-tonsillectomy hemorrhage, PTH)的机器学习(machine learning, ML)模型。方法 研究人员对2017年1月3日至2025年5月1日挪威扁桃体登记库(Norwegi
目的 开发并验证用于预测扁桃体切除术后出血(post-tonsillectomy hemorrhage, PTH)的机器学习(machine learning, ML)模型。方法 研究人员对2017年1月3日至2025年5月1日挪威扁桃体登记库(Norwegian Tonsil Registry)中的患者队列进行ML分析。通过围手术期评估记录手术类型、手术技巧及止血方式；术后30天问卷评估结局。采用无监督学习探索数据结构，建立有监督模型预测PTH（定义为需再入院的任何术后出血）。纳入预测因子包括年龄、性别、手术类型、手术技巧及止血方式。以受试者工作特征曲线下面积(Area Under the Receiver Operating Characteristic Curve, AUC)评估模型性能，最优模型在留出测试集中验证，采用SHAP(SHapley Additive exPlanations)图解释模型，并进行决策曲线分析(Decision Curve Analysis, DCA)评估临床效用。结果 共纳入32 037例患者［均值±标准差(SD)年龄17.84±12.33岁；18 949例(59.15%)女性］，PTH发生率为6.17%。无监督学习识别出出血率存在差异的亚组。最佳预测模型为Adaboost分类器，测试集AUC为0.71(95% CI 0.68–0.73)。最重要预测因子为中年或老年年龄、双极电凝(bipolar diathermy)止血及男性性别。DCA显示该预测模型优于替代策略。结论 扁桃体切除术后出血可被中等准确度地预测。尚需进一步研究评估其作为临床决策支持工具的潜在效用。
《European Archives of Oto-Rhino-Laryngology》刊载论文解读：预测扁桃体切除术后出血的机器学习模型开发与验证
一、研究背景与立项依据
扁桃体手术是耳鼻喉科常见操作，术后扁桃体切除术后出血(post-tonsillectomy hemorrhage, PTH)虽发生率较低（文献报道0.8%–3.2%，部分研究>10%），但可危及生命。已知危险因素包括高龄、男性、手术方式（全切vs.部分切除）及电凝止血等，但各因素间存在复杂交互作用，传统回归难以捕捉。既往仅两项小样本研究尝试用机器学习(machine learning, ML)预测PTH。因此，研究人员基于挪威全国扁桃体登记库(Norwegian Tonsil Registry)，开展大样本ML建模，旨在识别PTH高危人群，为个体化术前预警、随访分层及降低PTH相关负担提供依据。
二、主要关键技术方法
研究人员基于挪威国家扁桃体登记库（2017-01-03至2025-05-01），筛选返回30天术后问卷且数据完整的32 037例患者。特征含年龄（Min–Max缩放）、性别、手术类型（独热编码）、剥离技术及止血方式（二值化）。结局为问卷自报的需再入院PTH。数据集按7∶1∶2分为训练、验证、测试集。无监督学习采用UMAP(uniform manifold approximation and projection)降维联合HDBSCAN层次密度聚类；有监督学习比较Logistic Regression、SVM、Random Forest、Gradient Boosting、Adaboost、XGBoost、LightGBM等12种算法，类别不平衡用ADASYN或过采样处理，超参数经5折交叉验证贝叶斯搜索优化。主要评价指标为AUC，辅以平衡准确率、F1分数、敏感度、特异度、阳性预测值(PPV)及阴性预测值(NPV)；最优Adaboost模型用SHAP解释特征贡献，并以5折交叉验证Sigmoid校准后行决策曲线分析(Decision Curve Analysis, DCA)，阈值概率取5%、10%、15%、20%。
三、研究结果
Population characteristics（人群特征）
最终分析32 037例，平均年龄17.84±12.33岁，女59.15%，PTH总体发生率6.17%（n=1 859）。训练、验证、测试集PTH率分别为6.38%、5.68%、5.95%，组间均衡。
Unsupervised learning（无监督学习）
UMAP结合HDBSCAN识别出8个数据驱动簇。成人行传统扁桃体切除术并采用电刀剪(dissection with diathermy scissors)者PTH率高于均值；儿童尤行扁桃体部分切除术(tonsillotomy/adenotonsillotomy)者PTH率低于均值，提示不同术式-年龄组合存在异质性出血风险。
Predictive model performance（预测模型性能）
最优模型为采用ADASYN重采样的Adaboost分类器，测试集AUC=0.71(95% CI 0.68–0.73)，平衡准确率0.66(95% CI 0.64–0.68)，敏感度0.77，NPV 0.90，但特异度及PPV偏低（PPV=0.10）。表明模型较擅长排除不会出血者，但对出血阳性预测能力有限。
Model explainability（模型可解释性）
SHAP汇总图及递归特征消除显示最重要的17个特征依次为：年龄（高龄促PTH）、双极电凝止血（bipolar diathermy for hemostasis，促PTH）、男性性别、腺样体扁桃体部分切除术(adenotonsillotomy)、冷器械剥离(cold steel dissection)、肾上腺素浸润、其他热切割(other warm dissection)、扁桃体部分切除术(tonsillotomy)、射频止血、初次/再次手术、双极电凝剥离、其他热止血、无需额外止血、缝线/结扎止血、出院前已出血、射频剥离、脓肿性扁桃体切除术（quinsy tonsillectomy，负向关联）。年轻、部分切除术及冷器械操作为PTH保护因素。
四、讨论与结论总结
讨论指出本模型AUC(0.71)略低于另两项含合并症/凝血指标的小样本研究（AUC 0.78–0.81），提示加入更多临床变量可能提升性能；但本研究样本量大、仅用术中/人口学变量即达中等预测力，且DCA显示在阈值概率5%–10%时净受益(net benefit)优于"全员干预"或"单用双极电凝止血为指征干预"。高敏感度(0.77)与高NPV(0.90)使其适于风险排除，低PPV限制了对阳性者的干预决策。局限性含问卷自报结局可能存在应答偏倚致PTH率高估、未区分原发/继发PTH、仅内部验证等，需外部队列进一步检验。
Conclusion（结论原文翻译）
本研究报道了迄今最大规模的PTH预测模型，获中等预测性能（AUC 0.71）。决策曲线分析提示其仅有有限临床获益。尚需更多研究以提高模型性能并评估其临床实用性。
