预测分化型甲状腺癌术后早期急性低钙血症的可解释列线图(Nomogram)：开发与内部验证

《Frontiers in Endocrinology》：An interpretable nomogram for predicting early acute postoperative hypocalcemia in differentiated thyroid cancer: development and internal validation

　　

摘要 背景：术后低钙血症（Hypocalcemia, HC）是甲状腺切除术后的常见并发症。如何平衡预防性补钙与避免过度治疗仍是临床难题。本研究旨在开发并独立验证一个可解释的机器学习（Machine Learning, ML）模型，用于预测分化型甲状腺癌（Differentiated Thyroid Cancer, DTC）患者术后的早期急性HC。 方法：遵循TRIPOD+AI报告指南，回顾性分析876例DTC患者（2023年2月—2026年1月）的临床、生化及手术参数。早期急性术后HC定义为术后24小时内发生的生化或症状性低钙血症。队列按8:2随机分为训练集（n=701）与独立留出测试集（n=175）。训练并评估7种ML算法，采用Shapley Additive exPlanations（SHAP）及临床列线图（Nomogram）进行模型解释与临床应用。 结果：早期急性术后HC总体发生率为38.2%（335/876）。尽管复杂集成模型表现相当，最终选择逻辑回归（Logistic Regression, LR）作为最终模型，因其在测试集中区分度良好[受试者工作特征曲线下面积（Area Under the receiver operating characteristic Curve, AUC）=0.760]且具临床透明度。多因素分析及SHAP分析显示，术前血清镁、体质量指数（Body Mass Index, BMI）、颈侧区淋巴结清扫及明确的甲状旁腺自体移植动态（特别是植入颈部肌肉，比值比Odds Ratio, OR=6.808）是HC的关键驱动因素。基于LR推导的列线图在最佳截断值0.372时于测试集显示出优秀灵敏度（0.806）。决策曲线分析（Decision Curve Analysis, DCA）证实其在相关阈值概率范围内具有优越的净临床获益，亚组分析验证了模型在年龄与性别分层中的稳定性。 结论：研究人员开发并独立验证了一种透明且具高区分度的基于LR的列线图，用于预测甲状腺切除术后24小时内发生的早期急性HC。该工具整合精确的手术因素与生化指标，有助于个体化围手术期监测及个体化补钙策略的制定。

论文解读：预测分化型甲状腺癌术后早期急性低钙血症的可解释列线图(Nomogram)的开发与内部验证

一、研究背景与意义

甲状腺切除术是分化型甲状腺癌（Differentiated Thyroid Cancer, DTC）的主要治疗手段，但术后低钙血症（Hypocalcemia, HC）是最常见的并发症之一，发生率约25%–39.6%。HC可导致口周及肢端麻木、手足搐搦、喉痉挛甚至致命性心律失常，延长住院时间并增加医疗费用；而盲目预防性补钙又可能引起肾结石或异位钙化。目前关于HC的预测模型多依赖单一实验室参数、样本量小且缺乏独立验证，且忽略了术中关键的甲状旁腺自体移植（Parathyroid Autotransplantation, PAT）部位与数量等精细化手术因素，同时多将HC仅定义为生化指标异常而忽略症状性低钙血症。为此，研究人员开展此项研究，旨在通过整合综合临床变量建立并验证基于机器学习的可解释预测模型（列线图），以辅助临床早期风险识别与个体化补钙决策。该论文发表于《Frontiers in Endocrinology》。

二、主要关键技术方法

研究人员回顾性纳入2023年2月至2026年1月浙江大学医学院附属邵逸夫医院行甲状腺切除术且病理确诊为DTC的患者876例，按分层抽样8:2分为训练集（n=701）与独立留出测试集（n=175）。候选预测变量涵盖人口学、手术因素（手术侧别、颈侧区淋巴结清扫Lateral Cervical Lymph Node Dissection, LCLND、PAT数量及部位）、病理特征及术前生化指标（白蛋白校正血钙、血镁、甲状旁腺激素Parathyroid Hormone, PTH）。早期急性术后HC定义为术后24 h内白蛋白校正血清总钙<2.0 mmol/L（生化HC）或出现典型低钙症状需临床干预（症状性HC）。缺失值以中位数/众数填补，分类变量独热编码。比较7种机器学习算法（Logistic Regression LR、支持向量机Support Vector Machine SVM、随机森林Random Forest RF、XGBoost、LightGBM、CatBoost、人工神经网络Artificial Neural Network ANN），通过5折交叉验证调参，以受试者工作特征曲线下面积（Area Under the ROC Curve, AUC）优选模型，采用SHAP（Shapley Additive exPlanations）进行全局解释并构建LR衍生列线图，以决策曲线分析（Decision Curve Analysis, DCA）评估临床效用，并按性别及年龄三分位数行亚组稳定性分析。

三、研究结果

4.1 基线特征与早期急性术后低钙血症发生率

全队列HC发生率为38.2%（335/876）。HC组女性比例更高、BMI更低、行双侧甲状腺切除及LCLND比例更高、肿瘤灶数更多、自体移植甲状旁腺数量更多且移植部位分布不同，术前血清钙及镁水平略低（均p<0.05）；年龄及术前PTH无显著差异。

4.2 早期急性术后低钙血症的单因素与多因素分析

单因素Logistic回归显示男性、高BMI、合并症及吸烟饮酒史为保护因素；LCLND（OR=4.284）、双侧手术、肿瘤灶数增多、自体移植旁腺数量增多及预防性补钙为危险因素，其中植入胸骨前/脂肪组织较未移植者风险升高（OR=2.823），联合多部位移植具保护性。多因素分析校正后确认LCLND（OR=2.185, 95%CI 1.466–3.256, p<0.001）、男性（OR=0.467）、高BMI（OR=0.938）及单侧手术为独立影响因素；特别发现，以未移植为参照，甲状旁腺植入颈部肌肉是HC的独立危险因素（OR=6.808, 95%CI 1.557–29.759, p=0.011）。

4.3 机器学习预测模型的开发与验证

7种算法训练集5折交叉验证AUC为0.766–0.796，LR与RF最高（AUC=0.796）；独立测试集AUC为0.749–0.777，XGBoost略高（0.777），LR为0.760。考虑到LR的透明性与临床适用性，选为最终模型。

4.4 列线图构建与特征重要性

基于LR构建含前8位重要预测因子（术前血清钙、血镁、BMI、手术侧别、LCLND、PAT数量、PAT颈部肌肉植入、性别）的简化列线图。SHAP分析确认术前血镁升高降低风险（负SHAP值），高BMI及LCLND、PAT数量及颈部肌肉植入增加风险。

4.5 基于阈值的分类性能与校准

LR模型训练集OOF AUC=0.796，测试集AUC=0.760。Youden指数确定最佳截断值0.372，测试集灵敏度0.806、特异度0.532、准确率0.636、阳性预测值Positive Predictive Value, PPV 0.514、阴性预测值Negative Predictive Value, NPV 0.817。DCA显示模型在广泛阈值概率内净临床获益优于"全员治疗"与"全员不治疗"策略。

4.6 亚组稳定性分析

模型在不同年龄三分位数及性别层级的测试集AUC均>0.7（年龄：0.725/0.806/0.753；性别：男0.754，女0.719），证实模型判别力稳定无显著偏倚。

四、讨论与结论总结

研究人员指出，本研究首次在甲状腺切除后HC预测中系统比较七种主流ML算法并将特定PAT部位量化纳入列线图。选择LR而非AUC略高的集成模型，是为了保障床旁可解释性及临床流程整合，符合可解释人工智能（Explainable AI, XAI）理念。该列线图可作为甲状腺外科及护理团队的床旁决策辅助工具：高危患者加强血钙监测与主动补钙，低危患者可考虑简化监测及早期出院评估，但须结合临床症状与机构出院标准综合判断。术前低血清钙储备及低镁血症（影响PTH分泌及外周敏感性）是重要生化预测因子，支持术前纠正钙镁；较高BMI的保护作用可能与颈部脂肪缓冲旁腺机械热损伤及维D储存相关。局限性包单中心回顾性设计、仅限开放甲状腺切除术、未纳入术中PTH监测、终点限于术后24 h内早期急性HC。

结论（翻译）：综上所述，研究人员开发并验证了用于预测DTC患者甲状腺切除术后24小时内发生早期急性低钙血症的透明、高适用性的基于LR之列线图。该工具独特整合了甲状旁腺自体移植情况、术前血清钙与镁及关键手术参数，可实现个体化风险分层。经DCA证实具净临床获益，在临床实施中有望指导个体化预防性补钙、提升患者安全并优化术后管理流程。