基于机器学习算法预测小儿耳鼻喉科手术全麻后苏醒期谵妄风险的模型构建与验证
医院（或学校）: 遵义市第一人民医院（遵义医科大学第三附属医院）
论文摘要: 摘要
目的
在小儿全身麻醉恢复期，苏醒期谵妄（ED）是我们麻醉医师经常面临的临床挑战。特别是在耳鼻喉科手术后，由于手术部位的特殊性，患儿更容易出现躁动、哭闹等表现。这些患儿往往表现为意识不清、定向力障碍，不仅可能意外拔除气管导管或静脉通路，还有坠床风险，甚至影响手术部位的愈合。传统的评估方法主要依赖医师的临床经验，缺乏客观的预测指标，常常等到症状出现时才进行处理，错失了预防的最佳时机。因此，我们希望通过机器学习技术，建立一个专门针对小儿耳鼻喉手术的谵妄风险预测模型，帮助临床团队在术前或术中就能识别出高风险患儿，从而提前采取干预措施。
方法
本研究采用前瞻性研究设计，选取了2024年6月至2025年9月期间在我院接受择期耳鼻喉手术的330例患儿作为研究对象。我们将入选标准限定在3-12岁、ASA分级I-II级的患儿，这个年龄段的孩子能够配合完成术前焦虑评估，同时手术类型相对规范，主要包括扁桃体伴腺样体切除术、单纯的扁桃体或腺样体切除术、鼓膜切开置管术等常见手术。在数据收集方面，我们不仅从电子病历系统中提取了患儿的基本信息，还通过手麻系统详细记录了术中的麻醉用药、通气参数、生命体征等实时数据。
在变量选择上，我们最初考虑了30多个可能的预测因素，经过临床专家的讨论和统计学方法的筛选，最终确定了20个最具代表性的预测变量。这些变量涵盖了四个维度：一是患儿基本情况，如年龄、体重、发育阶段（学龄前或学龄期）；二是术前状态，包括改良耶鲁术前焦虑量表（mYPAS）评分、既往手术史、基础疾病等；三是术中管理因素，如麻醉药物选择、通气模式设置、液体出入量等；四是手术相关因素，如手术时长、手术类型等。我们选取了广义线性模型、随机森林、支持向量机、人工神经网络、决策树、线性判别分析、梯度提升机七种在医学预测模型进行建模。为了确保模型评估的可靠性，我们采用了五折交叉验证的方法进行内部验证，即将数据集随机分成五份，轮流使用其中四份训练模型，剩下一份用于测试，重复五次取平均值。此外，我们还专门收集了2025年5-9月期间的88例患儿数据作为外部验证集，以检验模型在新数据上的表现。除了常规的AUC值、准确率、灵敏度、特异度等指标外，我们还关注了模型的校准度和临床实用性。
结果
在研究期间，我们共收集到418例患儿的完整数据，经过严格的质控排除13例不符合标准的病例，最终纳入405例进行分析。其中谵妄发生率为26%，这个比例与国内外文献报道基本一致，说明我们的样本具有良好的代表性。通过对20个预测变量进行重要性排序，我们发现术前焦虑评分（mYPAS）是最强的预测因子，这提示我们在临床工作中需要特别关注那些术前就表现出明显焦虑、紧张的患儿。其次分别是术中采用压力控制通气模式、拔管时出现呛咳反应、患儿的受教育阶段（学龄前儿童风险相对较高）以及麻醉持续时间。这个结果也印证了我们的临床观察：那些术前紧张、术中呼吸管理不够平稳、拔管时刺激较强以及手术时间较长的患儿，确实更容易出现苏醒期躁动。在七种机器学习模型的比较中，随机森林模型表现最为出色。在内部验证中，其AUC值达到0.87，准确率为85.3%，这意味着模型能够在绝大多数情况下做出正确判断。特别值得一提的是，79.2%的灵敏度表明模型能够识别出近八成的潜在谵妄患儿，而88.6%的特异度说明其误判率较低。在外部验证中，模型的AUC值仍保持在0.81，虽然略有下降，但仍然表现出良好的稳定性和泛化能力。相比之下，其他几种模型的表现参差不齐，例如支持向量机在处理这类医学数据时表现一般，而决策树虽然解释性强但容易过拟合。我们还对谵妄患儿的临床结局进行了深入分析。结果显示，发生谵妄的患儿其术后疼痛评分显著高于非谵妄组，在复苏室的平均停留时间延长了约40分钟，而且不良事件的发生率也明显增高，这些差异均具有统计学意义（p<0.01）。这一发现进一步强调了预防谵妄发生的重要临床价值。
结论
通过这项研究，我们成功建立了一个专门针对小儿耳鼻喉科手术的全身麻醉后苏醒期谵妄风险预测模型。研究结果证实，随机森林算法在这一特定临床问题上表现出最优的预测性能，能够较为准确地识别出高风险患儿。更重要的是，我们识别出了几个关键的预测要素，包括术前焦虑水平、术中通气管理策略、拔管时的气道反应等，这些发现为临床预防工作提供了明确的方向。与传统的评估方法相比，这个预测模型不仅具有更高的准确性，还能够整合多方面的临床信息，给出量化的风险评估。比如，对于那些术前焦虑评分较高、预计手术时间较长的患儿，我们可以提前调整麻醉方案，加强术前心理疏导，优化呼吸管理策略，从而降低谵妄的发生风险。当然，这个模型还需要在前瞻性的多中心研究中进一步验证，同时也需要考虑如何将其更好地整合到临床工作流程中。我们希望这个工具最终能够帮助麻醉医师实现更精准的围术期管理，提升小儿麻醉的安全性与质量。