一項發表於《BMC Health Services Research》的研究，利用SHAP（SHapley Additive exPlanations）方法，深入分析了腰椎間盤突出手術後患者住院時間延長（Prolonged Length of Stay, PLOS）的預測因素。這項研究不僅旨在提高預測的準確性，更著重於模型的可解釋性，為臨床決策提供更具體的參考。
研究背景與目的
住院時間延長不僅影響患者的康復體驗，也對醫療資源造成壓力，增加醫療成本。因此，準確預測哪些患者可能需要更長的住院時間，對於優化資源配置和改善患者照護至關重要。該研究團隊將焦點放在腰椎間盤突出手術，這是一種在各年齡層都相當常見的手術，因此，提升此類手術後恢復期的預測模型具有重要意義。
研究方法與結果
研究團隊回顧性分析了兩家三級醫療中心共1050名接受腰椎間盤突出手術的患者數據。他們將住院時間超過75百分位數定義為PLOS。研究首先使用多變量邏輯回歸進行初步的特徵篩選，然後開發並比較了七種不同的機器學習模型，以預測PLOS。模型的性能評估涵蓋了辨別力、校準度和臨床效用三個方面。
研究結果顯示，四個與PLOS顯著相關的特徵被確定用於模型開發：
糖尿病、開放手術、活化部分凝血活酶時間（APTT）和椎間盤高度指數（DHI）。其中，梯度提升機（GBM）模型表現最佳，在測試集上達到0.751的AUC（95% CI: 0.684–0.818），在外部驗證集上達到0.794的AUC（95% CI: 0.683–0.905）。
更重要的是，SHAP分析顯示，DHI是決定模型中PLOS風險的最具影響力的特徵。這意味著椎間盤高度在預測患者是否需要更長的住院時間方面起著關鍵作用。
SHAP分析的價值
SHAP分析不僅提高了模型的可解釋性，還為臨床醫生提供了可操作的框架。透過SHAP值，外科醫生可以了解哪些變數對患者的恢復軌跡影響最大。這種洞察力使醫療服務提供者能夠調整術後護理策略，最終改善患者的治療效果。
臨床應用與未來展望
研究團隊設想，未來這樣的模型可以無縫整合到臨床工作流程中。他們預期開發出使用者友善的軟體工具，可以即時指導醫療專業人員做出決策。這些工具不僅可以支援臨床醫生，還可以讓患者參與討論他們的護理路徑，從而促進更具凝聚力的醫療體驗。
此外，研究強調，某些術前特徵與住院時間延長顯著相關，例如年齡、合併症和心理社會因素。了解這些關聯性有助於進行更有針對性的術前評估，並使醫療團隊能夠主動解決患者的特定需求。
結論與研判
這項研究成功開發了一種機器學習模型，用於預測腰椎間盤突出手術後患者住院時間延長的風險，這有助於臨床決策。透過結合機器學習和SHAP等強大的解釋性框架，研究挑戰了現狀，並提倡以數據驅動的方法來完善患者護理模式。隨著醫療保健部門擁抱這些創新，患者和醫療服務提供者都將受益，使我們更接近一個不僅具有反應性，而且能夠主動預測患者需求的醫療保健系統。這項研究不僅展示了機器學習在臨床應用中的進步，也預示了未來的創新方向，技術與人文關懷將融合，重新定義康復的意義。
Newsflash | Powered by GeneOnline AI
For any suggestion and feedback, please contact us.
原始資料來源: GO-AI-6號機 Date: February 1, 2026