构建和验证乳腺癌患者麻醉苏醒延迟风险的机器学习网络计算器

摘要

目的：基于机器学习（ML）模型构建网络计算器预测乳腺癌（BC）患者麻醉苏醒延迟风险。方法：选取本院2023年1月至2024年6月手术治疗的435例BC患者。使用Boruta算法筛选麻醉苏醒延迟风险重要特征变量。根据3∶2比例将所有患者随机分配为训练集（n=261）和测试集（n=174）并构建和训练9种ML模型。根据10次随机抽样的受试者工作特征（ROC）曲线评估9种ML模型并使用决策曲线分析评估模型临床实用价值。结合SHapley加法解释（SHAP）条形图、摘要图和力图附加解释和可视化ML模型。使用R包构建预测BC患者麻醉苏醒延迟风险的网络计算器。结果：435例BC患者中，25.1%患者出现麻醉苏醒延迟。Boruta算法筛选出7个特征变量。ROC曲线显示9种ML模型中XGBoost模型的10次随机抽样的曲线下面积（AUC）最高，决策曲线显示XGBoost模型具有显著临床净收益。SHAP条形图显示重要性排序为ASA分级、手术时间、麻醉时间、术中失血量、丙泊酚、术前贫血和术中低体温。SHAP摘要图反映7个重要特征变量的影响范围分布，呈“两端分离”现象。SHAP力图可视化XGBoost模型预测单个患者麻醉苏醒延迟风险，麻醉苏醒延迟患者预测值为0.998，无麻醉苏醒延迟患者预测值为0.008 91。基于可解释XGBoost模型的网络计算器（https://xz-nomogram.shinyapps.io/DE＿web/）能有效预测BC患者麻醉苏醒延迟风险。结论：ASA分级、手术时间、丙泊酚、术中失血量、麻醉时间、术前贫血和术中低体温是BC患者麻醉苏醒延迟风险重要特征变量。基于可解释XGBoost模型的网络计算器能准确快捷定量麻醉苏醒延迟风险，有助于临床医生有效调整治疗策略，更好改善患者预后。

关键词

乳腺癌 / 麻醉苏醒延迟 / 机器学习 / Boruta算法 / SHAP / XGBoost模型 / 网络计算器