【摘 要】目的：利用機(jī)器學(xué)習(xí)技術(shù)對食道閉鎖術(shù)后出現(xiàn)吻合口漏進(jìn)行預(yù)測，尋找導(dǎo)致術(shù)后出現(xiàn)吻合口漏的危險因素，計(jì)算相應(yīng)截斷值，并制作交互式網(wǎng)頁計(jì)算工具，方便醫(yī)務(wù)人員快速計(jì)算術(shù)后出現(xiàn)吻合口漏的具體風(fēng)險概率。方法：收集2009年1月至2021年12月在重慶醫(yī)科大學(xué)附屬兒童醫(yī)院胸心外科接受手術(shù)治療的251例Ⅲ型先天性食道閉鎖患者的臨床資料。包括患兒人口學(xué)特征、手術(shù)資料和術(shù)后資料。本課題組采用支持向量機(jī)（support vector machine，SVM）、隨機(jī)森林（random forest，RF）、邏輯回歸模型（logistic regression，LR）、XGboost分類（eXtreme gradient boosting，XGBoost）、高斯樸素貝葉斯（gaussian naive bayes，GNB）這5種機(jī)器學(xué)習(xí)算法來構(gòu)建預(yù)測食道閉鎖術(shù)后吻合口漏的預(yù)測模型。利用受試者工作特征（receiver operating character?istic，ROC）曲線的曲線下面積（area under thecurve，AUC）評價效度，同時綜合F1 分?jǐn)?shù)、準(zhǔn)確率、靈敏度及特異度，Hosmer-Lemeshow檢驗(yàn)Brier分?jǐn)?shù)評價校準(zhǔn)度及臨床決策曲線（decision curve analysis，DCA曲線）對模型的校準(zhǔn)度及穩(wěn)定性進(jìn)行評價。利用限制性立方樣條分別計(jì)算相應(yīng)危險因素的截斷值，最后制作交互式網(wǎng)頁計(jì)算工具，構(gòu)建術(shù)后吻合口漏風(fēng)險分層系統(tǒng)，方便醫(yī)務(wù)人員快速使用。結(jié)果：通過對候選風(fēng)險因素進(jìn)行單因素分析、重要度排序、LASSO回歸（least absolute shrinkage and selec?tion operator，LASSO）篩選出危險因素為斷端距離、是否合并復(fù)雜先心、術(shù)前蛋白、是否合并肺部感染。在5種機(jī)器學(xué)習(xí)算法中，邏輯回歸模型在ROC曲線和DCA性能及校準(zhǔn)曲線綜合指標(biāo)方面表現(xiàn)最佳，在邏輯回歸模型中，訓(xùn)練集的AUC為0.828，準(zhǔn)確度為0.772，F(xiàn)1分?jǐn)?shù)為0.532，驗(yàn)證集的AUC為0.799，準(zhǔn)確度為0.765，F(xiàn)1分?jǐn)?shù)為0.544。提示該模型用于預(yù)測Ⅲ型先天性食道閉鎖術(shù)后出現(xiàn)吻合口漏有較好的區(qū)分度及校準(zhǔn)度。利用限制性立方樣條，計(jì)算了斷端距離及術(shù)前蛋白的截斷值分別為2 cm及33.9 g/L，臨床醫(yī)務(wù)人員可以利用在線交互式網(wǎng)頁計(jì)算工具，輸入相應(yīng)危險因素的結(jié)果，計(jì)算出某1個患者術(shù)后出現(xiàn)吻合口漏的具體概率值。結(jié)論：邏輯回歸模型可較好地預(yù)測Ⅲ型先天性食道閉鎖患兒術(shù)后出現(xiàn)吻合口漏危險因素，在線交互式網(wǎng)頁計(jì)算工具可以迅速地計(jì)算出術(shù)后吻合口漏的概率，方便醫(yī)務(wù)人員使用。

【關(guān)鍵詞】食道閉鎖；機(jī)器學(xué)習(xí)；預(yù)測

【中圖分類號】R720.5 【文獻(xiàn)標(biāo)志碼】A 【收稿日期】2023-12-22

吻合口漏是先天性食管閉鎖術(shù)后的嚴(yán)重并發(fā)癥，可導(dǎo)致張力性氣胸、膿毒癥甚至死亡[1]。盡早識別危險因素并及時消除危險因素是有效的方法。目前已有較多的文獻(xiàn)報道了并確定了一些危險因素[2- 3]，但目前多數(shù)文獻(xiàn)報道的危險因素并沒有深入分析，絕大多數(shù)文獻(xiàn)只是單純分析找出了潛在的危險因素，并沒有進(jìn)一步分析相應(yīng)的風(fēng)險因素的截斷值，使得臨床醫(yī)務(wù)工作者對吻合口漏的危險因素的認(rèn)知僅僅停留在表面。由于無法獲得某一危險因素的具體截斷值，也就無法通過調(diào)整危險因素高于或者低于某個臨界值從而降低吻合口漏的風(fēng)險，這為實(shí)際臨床工作中有效規(guī)避相應(yīng)的風(fēng)險因素增加了巨大困難。除此之外，實(shí)際臨床工作中困擾醫(yī)務(wù)人員另一個較為棘手的問題是，即使當(dāng)知曉術(shù)后出現(xiàn)吻合口漏危險因素后，仍不能快速、直觀地計(jì)算出某一患兒術(shù)后出現(xiàn)吻合口漏的具體概率值；這種信息的不足增加了臨床決策的難度，同時也限制了對患兒進(jìn)行個體化的、精準(zhǔn)的治療方案的制定。

近年來機(jī)器學(xué)習(xí)技術(shù)在生物醫(yī)學(xué)研究領(lǐng)域得到了廣泛的應(yīng)用。機(jī)器學(xué)習(xí)的引入為分析危險因素的截斷值提供了新的思路，使得全面、準(zhǔn)確地評估先天性食管閉鎖術(shù)后吻合口漏的發(fā)生概率成為可能。同時，機(jī)器學(xué)習(xí)在風(fēng)險分層、診斷分類和生存預(yù)測等任務(wù)上的強(qiáng)大表現(xiàn)為解決上述問題提供了可能[4-5]。然而，在先天性食道閉鎖領(lǐng)域，這類研究非常少。本研究將機(jī)器學(xué)習(xí)風(fēng)險預(yù)測模型與臨床基本指標(biāo)相結(jié)合，為臨床工作提供準(zhǔn)確可靠的預(yù)測模型。此外，本研究采用機(jī)器學(xué)習(xí)技術(shù)，通過納入術(shù)前和術(shù)中相關(guān)變量，并使用多種機(jī)器學(xué)習(xí)算法進(jìn)行比較，構(gòu)建了一種術(shù)后發(fā)生吻合口漏的風(fēng)險預(yù)測模型，并計(jì)算出相應(yīng)危險因素的截斷值，同時構(gòu)建了在線交互式網(wǎng)頁計(jì)算工具，方便臨床醫(yī)務(wù)人員迅速計(jì)算出術(shù)后出現(xiàn)吻合口漏具體概率。

1 資料與方法

1.1 樣本量估算

以二分類結(jié)局的研究為例，查閱文獻(xiàn)及經(jīng)驗(yàn)，通常認(rèn)為每個變量至少需要納入10個事件，同時，參考既往文獻(xiàn)[6]，對于二分類預(yù)測模型，樣本量的計(jì)算公式N=exp{（?0.508+0.259ln（φ）+0.504ln（P）?ln（MAPE））/0.544}，本研究納入的候選預(yù)測危險因素為9個，估算出樣本量約為240～250例。

1.2 研究對象

本課題組共收集了2009年1月至2021年12月在重慶醫(yī)科大學(xué)附屬兒童醫(yī)院胸心外科接受手術(shù)治療的251例Ⅲ型先天性食道閉鎖患者的臨床資料，包括患兒人口學(xué)特征（出生體重、胎齡、年齡、性別）、手術(shù)資料（手術(shù)體重、手術(shù)日齡、術(shù)前白蛋白、術(shù)前是否合并肺部感染、合并復(fù)雜性先天性心臟病、斷端距離）和術(shù)后資料（術(shù)后白蛋白）。

為了減少干擾因素，本研究收集的所有的病例為行開放手術(shù)的患兒，排除胸腔鏡手術(shù)的病例。采用食管造影和胸部CT三維重建評估氣管食管瘺情況，術(shù)前應(yīng)用超聲心動圖評估先天性心臟病。納入標(biāo)準(zhǔn)：所有經(jīng)過食道造影劑胸部CT確診為Ⅲ型先天性食道閉鎖患兒。排除標(biāo)準(zhǔn)：①非Ⅲ型先天性食道閉鎖患兒。②臨床資料不完全者。③行胸腔鏡手術(shù)者。本研究方案經(jīng)本院倫理委員會批準(zhǔn)（批準(zhǔn)文號：2022-334）同意。

1.3 定義及納入因素

吻合口漏定義為術(shù)后行食道造影在影像學(xué)上表現(xiàn)為出現(xiàn)造影劑滲漏并不伴隨氣道顯影，如歐乃派克從吻合口滲漏。納入病例根據(jù)是否發(fā)生吻合口漏將患兒分為吻合口漏組和非吻合口漏組。吻合口漏患兒均采用保守治療，措施包括加強(qiáng)胸腔引流，全靜脈營養(yǎng)支持以及應(yīng)用廣譜抗生素。吻合口漏表現(xiàn)為氣促、呼吸困難或發(fā)紺，患側(cè)呼吸音減弱，胸部X線片部分患者可見大量氣胸或液氣胸。納入候選的危險因素為是否合并肺部感染、合并復(fù)雜性先天性心臟病、術(shù)前白蛋白水平、術(shù)后白蛋白水平、出生體質(zhì)量、手術(shù)體質(zhì)量、胎齡、性別、斷端距離作為預(yù)測指標(biāo)。

術(shù)前蛋白水平數(shù)據(jù)來源于術(shù)前血液生化檢查，術(shù)后蛋白水平來源于術(shù)后第1天血液生化檢查。復(fù)雜先天性心臟病的定義為因心力衰竭需要內(nèi)科或外科治療的先天性心臟病或紫紺型先天性心臟病[7]。食道斷端距離定義為術(shù)中在對食道近端及遠(yuǎn)端修剪完畢后，吻合食管前測量斷端之間的距離。肺部感染定義為術(shù)前發(fā)生的肺炎，包括以下2項(xiàng)標(biāo)準(zhǔn)：影像學(xué)檢查（胸部CT或胸部X線）提示或痰培養(yǎng)陽性。

1.4 數(shù)據(jù)統(tǒng)計(jì)

臨床資料利用醫(yī)院電子病歷里系統(tǒng)及數(shù)字化病例系統(tǒng)進(jìn)行收集，資料收集者為臨床一線護(hù)士，為了保證數(shù)據(jù)收集質(zhì)量，本研究將由1名醫(yī)生對1名護(hù)士進(jìn)行培訓(xùn)，由醫(yī)生參與培訓(xùn)相關(guān)指標(biāo)意義及如何判斷其臨床參考價值，充分理解每一項(xiàng)因素，完成相關(guān)培訓(xùn)后再進(jìn)行數(shù)據(jù)收集，同時為了避免不同人員對相關(guān)數(shù)據(jù)理解不一致的情況，所有數(shù)據(jù)均由同一名護(hù)士進(jìn)行收集。在數(shù)據(jù)收集過程中，嚴(yán)格按照納入與排除標(biāo)準(zhǔn)進(jìn)行數(shù)據(jù)收集。

1.5 統(tǒng)計(jì)學(xué)方法及模型構(gòu)建

1.5.1 變量的篩選

1.5.1.1 單因素分析 分類變量采用卡方檢驗(yàn)，計(jì)量資料若符合正態(tài)分布使用均數(shù)±標(biāo)準(zhǔn)差（x±s）表示，2組比較采用t檢驗(yàn)，偏態(tài)分布資料使用中位數(shù)及四分位數(shù)間距進(jìn)行描述，組間比較采用Wilcoxon秩和檢驗(yàn)，Plt;0.05為差異有統(tǒng)計(jì)學(xué)意義。在進(jìn)行單因素分析之前，先使用多重共線性檢驗(yàn)，篩除多重共線性的變量，將VIFgt;10的因素剔除，然后再將變量進(jìn)行單因素分析，檢驗(yàn)水準(zhǔn)α=0.05。

1.5.1.2 LASSO 回歸 在LASSO 回歸（least absolute shrink?age and selection operator，LASSO）分析中，隨著λ值增加，變量回歸系數(shù)逐步歸零（λ越大對變量較多的線性模型的懲罰力度就越大）。最終獲得一個變量較少的模型，從模型中逐步選出特征變量。

1.5.1.3 影響因子重要度排序 本文使用基于LASSO算法方法實(shí)現(xiàn)特征選擇，根據(jù)變量的得分將候選危險因素進(jìn)行排序，本研究選擇前5個排在前面的候選危險因素。最后本研究將上述3種方式所篩選獲得的危險因素取交集，篩選出危險因素。

1.5.2 模型的構(gòu)建 將整個數(shù)據(jù)集按照8∶2的比例隨機(jī)分為訓(xùn)練組和測試組，其中80%的訓(xùn)練數(shù)據(jù)集用于構(gòu)建不同的機(jī)器學(xué)習(xí)模型。此外，剩下的20%測試集還將進(jìn)行內(nèi)部驗(yàn)證，以確定預(yù)測性能并識別最佳預(yù)測因子。采用支持向量機(jī)（support vector machine，SVM）、隨機(jī)森林（random forest，RF）、邏輯回歸模型（logistic regression，LR）、XGboost 分類（eXtreme Gradient Boosting，XGBoost）、高斯樸素貝葉斯（gaussian naive bayes，GNB）這5種機(jī)器學(xué)習(xí)算法來構(gòu)建預(yù)測術(shù)后出現(xiàn)吻合口漏的危險因素模型。使用受試者工作特征（receiver operating characteristic，ROC）曲線的曲線下面積（area under the curve，AUC）敏感度、特異度和準(zhǔn)確度作為模型預(yù)測效能的評價指標(biāo)。同時，本研究將采用Hosmer-Lemeshow檢驗(yàn)對模型的校準(zhǔn)度進(jìn)行評價。

1.6 手術(shù)方式

所有患兒均采用開胸入路，選擇右側(cè)第4肋間作為切口，如影響手術(shù)則結(jié)扎奇靜脈。切斷氣管食管瘺，并縫閉氣管側(cè)瘺管，輕輕游離并修剪近端和遠(yuǎn)端食管，盡量避免損傷食管血管供應(yīng)，測量斷端之間的距離。采用Vicryl 6-0進(jìn)行單層端端吻合。在完成吻合之前，胃管經(jīng)鼻通過食管進(jìn)入胃。常規(guī)置入16F胸腔閉式引流管。

2 結(jié) 果

2.1 單因素分析

總共收集251例臨床資料。首先進(jìn)行共線性檢測，結(jié)果發(fā)現(xiàn)所有的危險因素方差膨脹因子（variance inflation factor，VIF）均小于10，具體結(jié)果見表1。共發(fā)生吻合口漏43 例（17.1%），表現(xiàn)為縱隔炎、胸腔積液或氣胸。平均出生體質(zhì)量為（2.9±0.5） kg。出生孕周為39（38.0，40.0）周。62例患兒合并復(fù)雜先天性心臟病。術(shù)前蛋白水平為（34.2±4.7） g/L，術(shù)后蛋白水平為30.9（25.8，35.7） g/L（表1）。將術(shù)后出現(xiàn)吻合口漏與未出現(xiàn)吻合口漏的患兒進(jìn)行單因素分析。其中是否合并肺部感染、是否合并復(fù)雜先心、出生體質(zhì)量、術(shù)前蛋白水平、斷端距離在2組之間有統(tǒng)計(jì)學(xué)差異。所有發(fā)生吻合口漏患兒均接受保守治療，其中13例死亡或放棄治療，原因包括嚴(yán)重膿胸、膿毒癥、治療費(fèi)用高或治療時間長且無愈合跡象。其余30例（69.7%）患者吻合口漏愈合。19例術(shù)后痰培養(yǎng)為陽性，藥敏試驗(yàn)結(jié)果顯示肺炎克雷伯菌是最常見的細(xì)菌（6例），其次為銅綠假單胞菌（5例）。所有吻合口漏患兒均接受全腸外營養(yǎng)直至吻合口漏愈合，未出現(xiàn)與全腸外營養(yǎng)相關(guān)的嚴(yán)重并發(fā)癥。

2.2 LASSO回歸

在LASSO回歸分析中，使用十倍交叉驗(yàn)證最小距離的標(biāo)準(zhǔn)誤差的λ 為0.048，產(chǎn)生了4 個非零系數(shù)的特征變量（圖1），對應(yīng)模型的變量選擇為：斷端距離、是否合并復(fù)雜先心、術(shù)前蛋白水平、是否合并肺部感染。

2.3 影響因子重要度排序

使用基于LASSO方法實(shí)現(xiàn)特征選擇（圖2），重要度排序（由高到低）分別為：是否合并肺部感染、是否合并復(fù)雜先心、斷端距離、出生體質(zhì)量、術(shù)前蛋白水平、術(shù)后蛋白水平、手術(shù)體質(zhì)量、孕周、性別。

2.4 模型的構(gòu)建及評價

根據(jù)上述3種方式所篩選獲得的危險因素取交集，篩選出危險因素為是否合并肺部感染、斷端距離、是否合并復(fù)雜先心、術(shù)前白蛋白水平，進(jìn)一步，本研究采用限制性立方樣條分別計(jì)算術(shù)前白蛋白水平及斷端距離的截斷值，經(jīng)計(jì)算，術(shù)前蛋白水平的截斷值為33.9 g/L，斷端距離截斷值為2.0 cm（圖3、圖4）。

利用篩選出的危險因素進(jìn)行模型構(gòu)建，本研究采用SVM、RF、LR、XGboost分類、GNB這5種機(jī)器學(xué)習(xí)算法來構(gòu)建預(yù)測食道閉鎖術(shù)后出現(xiàn)吻合口漏概率模型。使用ROC曲線中的AUC值、敏感度、特異性和準(zhǔn)確率作為模型預(yù)測效能的評價指標(biāo)，同時，本研究將采用Hosmer-Lemeshow檢驗(yàn)對模型的校準(zhǔn)度進(jìn)行評價（圖5～8）。訓(xùn)練集及測試集的具體結(jié)果見表2及表3。根據(jù)訓(xùn)練集AUC結(jié)果顯示XGboost分類及RF極有可能存在過擬合現(xiàn)象，在邏輯回歸模型中，訓(xùn)練集的AUC為0.828，準(zhǔn)確度為0.772，F(xiàn)1分?jǐn)?shù)為0.532，驗(yàn)證集的AUC為0.799，準(zhǔn)確度為0.765，F(xiàn)1分?jǐn)?shù)為0.544。

在校準(zhǔn)曲線中SVM、RF、LR、XGboost分類、GNB這5種機(jī)器學(xué)習(xí)算法的Brier Score（圖7）分別為0.123、0.098、0.096、0.116、0.094。Brier Score越小表示模型的概率預(yù)測越準(zhǔn)確，誤差越小。

綜合考慮ROC曲線中的AUC值、DCA曲線（圖8）及校準(zhǔn)曲線的結(jié)果，本課題組認(rèn)為邏輯回歸模型（LR）模型有較為穩(wěn)定的結(jié)果輸出。

2.5 風(fēng)險列線圖預(yù)測模型及在線交互式網(wǎng)頁計(jì)算工具構(gòu)建

根據(jù)上面機(jī)器學(xué)習(xí)結(jié)果，邏輯回歸模型為最理想的計(jì)算模型，利用邏輯回歸模型，構(gòu)建包含斷端距離、是否合并復(fù)雜先心、術(shù)前蛋白水平、是否肺部感染共4個食道閉鎖術(shù)后出現(xiàn)吻合口漏的獨(dú)立風(fēng)險因素的預(yù)測模型，并繪制相應(yīng)列線圖并展示（圖9）。計(jì)算總分后根據(jù)列線圖可獲得所對應(yīng)食道閉鎖術(shù)后出現(xiàn)吻合口漏的概率。為了方便臨床一線工作者快速、準(zhǔn)確地計(jì)算出食道閉鎖術(shù)后發(fā)生吻合口漏的具體概率，本研究構(gòu)建了在線交互式網(wǎng)頁計(jì)算工具，具體網(wǎng)址為：https：//yixue#shinyapps.io/dynnomapp/，更進(jìn)一步，為了更好的體現(xiàn)個性化護(hù)理，方便將該模型運(yùn)用于實(shí)際臨床工作中，讓臨床一線醫(yī)務(wù)人員迅速辨別某一病例是否為術(shù)后出現(xiàn)吻合口漏高?；虻臀；純?，本研究將所有樣本所得到的出現(xiàn)吻合口漏的概率進(jìn)行分度，按照獲得的概率的第25百分位數(shù)、第75百分位數(shù)分為低風(fēng)險組（≤0.25分位數(shù)）、中風(fēng)險組（0.25分位數(shù)-0.75分位數(shù)）及高風(fēng)險組（gt;0.75分位數(shù)），得到的風(fēng)險閾值分別為51%及56%，即低風(fēng)險區(qū)間為風(fēng)險值小于51%，中風(fēng)險區(qū)間為51%～56%，高風(fēng)險區(qū)間為風(fēng)險值大于56%（見圖10）。醫(yī)務(wù)人員可以根據(jù)計(jì)算得到的概率方便、迅速定位于術(shù)后出現(xiàn)吻合口漏為高?；蛘叩臀＝M。如圖11所展示，該患兒術(shù)前合并復(fù)雜先心、術(shù)前合并肺部感染、斷端距離為2.1 cm，術(shù)前蛋白水平為27.8 g/L，計(jì)算出該患兒術(shù)后出現(xiàn)吻合口漏概率為78.4%，參照風(fēng)險分層，該患兒為術(shù)后出現(xiàn)吻合口漏的高?；純?。

3 討 論

吻合口漏作為Ⅲ型先天性食道閉鎖患兒術(shù)后嚴(yán)重并發(fā)癥，總體發(fā)生率為15%～20%，甚至高達(dá)30%[8-9]，大量文獻(xiàn)探討了術(shù)后出現(xiàn)吻合口漏的危險因素，但多數(shù)文獻(xiàn)并沒有對相應(yīng)危險因素進(jìn)一步分析。臨床醫(yī)務(wù)工作者在實(shí)際工作中無法得知相應(yīng)危險因素是否高于或者低于某一標(biāo)準(zhǔn)而增加術(shù)后出現(xiàn)吻合口漏的風(fēng)險，也無法計(jì)算某一患兒術(shù)后出現(xiàn)吻合口漏的具體概率，從而判斷術(shù)后高?；蛘叩臀３霈F(xiàn)吻合口漏。

本研究利用SVM、RF、LR、XGboost 分類、GNB這5種機(jī)器學(xué)習(xí)算法來構(gòu)建預(yù)測食道閉鎖術(shù)后出現(xiàn)吻合口漏的危險因素模型。確定LR模型有更好的穩(wěn)定性，并發(fā)現(xiàn)斷端距離、術(shù)前蛋白水平、是否合并肺部感染及是否合并復(fù)雜先心是術(shù)后出現(xiàn)吻合口漏的危險因素，利用限制性立方樣條得到了斷端距離及術(shù)前蛋白水平的截斷值分別為2 cm及33.9 g/L。同時，本研究構(gòu)建了在線交互式網(wǎng)頁計(jì)算工具，極大地方便了醫(yī)務(wù)工作者臨床實(shí)際使用。利用計(jì)算出的概率，比對本研究獲得的危險分層，就可得知術(shù)后是否是出現(xiàn)吻合口漏概率分層。

通過獲得危險因素的截斷值，醫(yī)務(wù)人員可具體判斷各個危險因素對吻合口漏發(fā)生的影響。截斷值是一種閾值，表示某一危險因素的具體數(shù)值，使得在該數(shù)值以上或以下，患者發(fā)生吻合口漏的風(fēng)險會顯著增加或降低。這種客觀、精確的信息讓醫(yī)務(wù)人員能夠更全面、深入地了解患者的風(fēng)險狀況。

首先，截斷值的引入使醫(yī)務(wù)人員能夠更直觀地對患兒術(shù)后出現(xiàn)吻合口漏的風(fēng)險進(jìn)行預(yù)判。通過將患兒相應(yīng)指標(biāo)的實(shí)際情況與截斷值進(jìn)行對比，可以事先預(yù)判患兒是否是發(fā)生吻合口漏的高危群體，從而更有針對性地采取預(yù)防措施，降低吻合口漏的概率。其次，截斷值的使用有助于實(shí)現(xiàn)個體化治療。醫(yī)務(wù)人員可以根據(jù)患者的具體情況，通過比較各項(xiàng)危險因素的截斷值，為每位患者制定量身定制的治療計(jì)劃，使得治療更具針對性。例如，若某一患兒術(shù)前蛋白水平低于33.9 g/L，入院后即需要補(bǔ)充蛋白，努力將蛋白維持在33.9 g/L以上。另外，截斷值的引入還有助于深化對危險因素作用機(jī)制的理解。通過對截斷值的分析，醫(yī)務(wù)人員能夠更好地理解某一危險因素何時會成為臨界點(diǎn)。這為進(jìn)一步的研究提供了方向，有助于發(fā)現(xiàn)新的治療方向或制定更有效的干預(yù)策略。

除此之外，本研究還構(gòu)建了一個交互式網(wǎng)頁計(jì)算工具，它可以為醫(yī)務(wù)人員提供了實(shí)時、直觀地計(jì)算患兒術(shù)后出現(xiàn)吻合口漏的概率。這種工具的用戶友好性是其一大優(yōu)勢，使醫(yī)生、護(hù)士等臨床一線人員無需專業(yè)的統(tǒng)計(jì)學(xué)知識，通過簡單的界面輸入患者信息即可獲得實(shí)時的吻合口漏概率值。首先，實(shí)時計(jì)算的優(yōu)勢在于及時性。醫(yī)務(wù)人員可以在臨床中迅速獲取患者的風(fēng)險評估結(jié)果，無需等待繁瑣的計(jì)算過程。這使得在緊急情況下，醫(yī)生能夠迅速制定治療計(jì)劃，提高了臨床工作的效率。其次，交互式網(wǎng)頁計(jì)算工具易于操作。醫(yī)生、護(hù)士等專業(yè)人員無需深入了解數(shù)學(xué)模型的復(fù)雜性，通過直觀的界面輸入患者信息，就能夠得到清晰地計(jì)算出術(shù)后出現(xiàn)吻合口漏的概率。降低了使用門檻，使更多的醫(yī)務(wù)人員能夠充分利用這一工具。同時，當(dāng)醫(yī)務(wù)人員獲得該結(jié)果后，可以更好的與家屬進(jìn)行溝通，避免醫(yī)患矛盾升級，獲得家屬的理解。此外，交互式網(wǎng)頁計(jì)算工具的使用有助于促進(jìn)醫(yī)療團(tuán)隊(duì)之間的協(xié)作。實(shí)時計(jì)算結(jié)果可以在團(tuán)隊(duì)內(nèi)共享，不同專業(yè)人員之間能夠就患者的風(fēng)險情況展開討論。這種協(xié)作模式有助于制定更全面、協(xié)同的治療決策，提高了團(tuán)隊(duì)整體的工作效率和治療質(zhì)量。

文獻(xiàn)報道吻合口漏的危險因素包括吻合技術(shù)差、編織縫線的使用、雙層吻合、斷端距離長、術(shù)后輸血、吻合口張力高和胃食管反流[1]。其他研究表明，吻合口漏的獨(dú)立危險因素是長間隙[10]、分期修補(bǔ)、胸腔鏡手術(shù)和吻合口張力高[11-12]，上述研究獲得的危險因素與本研究發(fā)現(xiàn)的危險因素相似。斷端距離大，吻合口張力就大，引起營養(yǎng)血管的牽拉，最終導(dǎo)致食管供血減少，此外，長段缺失型食管閉鎖通常需要廣泛游離食管殘端，這也會損傷食管的血管供應(yīng)。本研究計(jì)算出斷端距離的截斷值（HR/OR=1）為2.0 cm，這表明當(dāng)斷端距離超過2.0 cm后出現(xiàn)吻合口漏的風(fēng)險將顯著增加。術(shù)前白蛋白也是導(dǎo)致吻合口漏的重要危險因素，其截斷值（HR/OR=1）為33.9 g/L。低蛋白血癥常導(dǎo)致組織水腫，組織間液增多，加重缺氧缺血，絕大多數(shù)外科醫(yī)生都注意到術(shù)后補(bǔ)充蛋白是重要的術(shù)后支持治療，但往往忽略了術(shù)前補(bǔ)充蛋白，食道閉鎖患兒術(shù)前由于食道畸形的存在，無法進(jìn)食，加之患兒術(shù)前甚至需呼吸機(jī)輔助呼吸，消耗極大，極易出現(xiàn)新生兒硬腫癥的發(fā)生，從而導(dǎo)致術(shù)后出現(xiàn)吻合口漏。由于食道閉鎖特殊的解剖生理結(jié)構(gòu)氣管食管瘺的存在，胃內(nèi)容物（如胃酸甚至消化道分泌的膽汁樣物質(zhì)）可能進(jìn)入氣道，加重了氣道及肺部損傷，導(dǎo)致患兒術(shù)前就出現(xiàn)肺部感染，若該患兒需氣管插管，則術(shù)前可能出現(xiàn)嚴(yán)重的肺部感染，甚至感染一些毒力較強(qiáng)的細(xì)菌，如肺炎克雷伯菌，術(shù)后往往更容易出現(xiàn)吻合口漏。術(shù)前合并復(fù)雜先心患者因伴發(fā)心力衰竭，而心力衰竭導(dǎo)致水潴留、尿少，組織水腫明顯、氣管插管時間延長，加重肺部感染，同樣也會更容易出現(xiàn)吻合口漏。

隨著機(jī)器學(xué)習(xí)方法逐步在臨床醫(yī)學(xué)研究中的廣泛開展，人工智能和機(jī)器學(xué)習(xí)備受青睞，機(jī)器學(xué)習(xí)建立的模型可以利用所有患者的數(shù)據(jù)集實(shí)現(xiàn)早期動態(tài)監(jiān)測，從而節(jié)省臨床醫(yī)生的時間[13]，目前已廣泛應(yīng)用于重癥監(jiān)護(hù)醫(yī)學(xué)[14-15] 、急診醫(yī)學(xué)[16]和神經(jīng)醫(yī)學(xué)等領(lǐng)域[17]。本研究利用機(jī)器學(xué)習(xí)，構(gòu)建了準(zhǔn)確的食道閉鎖術(shù)后吻合口漏的預(yù)測模型，同時獲得相應(yīng)危險因素的截斷值，構(gòu)建了交互式網(wǎng)頁計(jì)算工具，這是利用機(jī)器學(xué)習(xí)模型在新生兒食道閉鎖領(lǐng)域的初步探索。由于經(jīng)驗(yàn)的缺乏，本研究有一些局限性。首先，這是1項(xiàng)回顧性單中心分析，病例的選擇均為本中心的治療經(jīng)驗(yàn)，所有數(shù)據(jù)均來自本院，由于醫(yī)療實(shí)踐和醫(yī)療環(huán)境的差異，該模型在應(yīng)用于其他醫(yī)療機(jī)構(gòu)時的有效性可能會有所不同。因此，通過使用獨(dú)立的外部數(shù)據(jù)集來驗(yàn)證模型的可泛化性和外推性至關(guān)重要。且它是在欠發(fā)達(dá)地區(qū)進(jìn)行的，受到經(jīng)濟(jì)和技術(shù)方面的限制。其次，由于食道閉鎖發(fā)病率不高，無法形成大樣本數(shù)據(jù)，同時術(shù)后出現(xiàn)吻合口漏病例的樣本量不夠大，并且為回顧性研究，使得模型在訓(xùn)練集及測試集中的穩(wěn)定性有所欠缺，未來需擴(kuò)大樣本量甚至多中心合作。第三，該交互式網(wǎng)頁計(jì)算工具沒有在臨床大規(guī)模運(yùn)用。雖然沒有在臨床運(yùn)用，但在構(gòu)建模型過程中使用了交叉驗(yàn)證及測試集驗(yàn)證，保證了較好的準(zhǔn)確度，在風(fēng)險因素篩選中，本研究使用了單因素分析、LASSO回歸及重要度排序，盡可能獲得準(zhǔn)確的風(fēng)險因素，下一步，本研究將該工具在臨床使用規(guī)模。

參考文獻(xiàn)

[1] Spitz L，Kiely E，Brereton RJ. Esophageal atresia：five year experi?

ence with 148 cases[J]. J Pediatr Surg，1987，22（2）：103-108．

[2] Hong SM，Chen Q，Cao H，et al. Developing a new predictive index

for anastomotic leak following the anastomosis of esophageal atresia：pre?

liminary results from a single centre[J]. J Cardiothorac Surg，2022，17

（1）：131．

[3] Bowder AN，Lal DR. Advances in the surgical management of

esophageal atresia[J]. Adv Pediatr，2021，68：245-259．

[4] Zhang LM，Zhang F，Xu FS，et al. Construction and evaluation of a

sepsis risk prediction model for urinary tract infection[J]. Front Med，

2021，8：671184．

[5] Xu FS，Zhang LM，Wang ZC，et al. A new scoring system for pre?

dicting In-hospital death in patients having liver cirrhosis with esopha?

geal varices[J]. Front Med，2021，8：678646．

[6] Riley RD，Ensor J，Snell KIE，et al. Calculating the sample size re?

quired for developing a clinical prediction model[J]. BMJ，2020，368：

m441．

[7] Tan Tanny SP，Beck C，King SK，et al. Survival trends and syn?

dromic esophageal atresia[J]. Pediatrics，2021，147（5）：e2020029884．

[8] Upadhyaya VD，Gangopadhyaya AN，Gupta DK，et al. Prognosis of

congenital tracheoesophageal fistula with esophageal atresia on the basis

of gap length[J]. Pediatr Surg Int，2007，23（8）：767-771．

[9] Laberge JM，Lévesque D，Baird R. Anastomotic stricture after

esophageal atresia repair：a critical review of recent literature[J]. Eur J

Pediatr Surg，2013，23（3）：204-213．

[10] Shah R，Varjavandi V，Krishnan U. Predictive factors for compli?

cations in children with esophageal atresia and tracheoesophageal fistula

[J]. Dis Esophagus，2015，28（3）：216-223．

[11] Nice TT，Tuanama Diaz B，Shroyer M，et al. Risk factors for stric?

ture formation after esophageal atresia repair[J]. J Laparoendosc Adv

Surg Tech A，2016，26（5）：393-398．

[12] Michaud L，Guimber D，Sfeir R，et al. Anastomotic stenosis after

surgical treatment of esophageal atresia：frequency，risk factors and effec?

tiveness of esophageal dilatations[J]. Arch Pediatr，2001，8（3）：268-274．

[13] Li Q，F(xiàn)an QL，Han QX，et al. Machine learning in nephrology：

scratching the surface[J]. Chin Med J，2020，133（6）：687-698．

[14] Kendale S，Kulkarni P，Rosenberg AD，et al. Supervised

machine-learning predictive analytics for prediction of postinduction hy?

potension[J]. Anesthesiology，2018，129（4）：675-688．

[15] Hever G，Cohen L，O’Connor MF，et al. Machine learning applied

to multi-sensor information to reduce 1 alarm rate in the ICU[J]. J

Clin Monit Comput，2020，34（2）：339-352．

[16] Lee S，Mohr NM，Street WN，et al. Machine learning in relation to

emergency medicine clinical and operational scenarios：an overview[J].

West J Emerg Med，2019，20（2）：219-227．

[17] Glaser JI，Benjamin AS，F(xiàn)arhoodi R，et al. The roles of supervised

machine learning in systems neuroscience[J]. Prog Neurobiol，2019，

175：126-137．

（責(zé)任編輯：周一青）