術后神志不清(POD)是術后常見并發癥，影響患者康復和增加醫療成本。近期，CNS Neuroscience and Therapeutics雜志上發表了一項研究，旨在利用機器學習預測退行性脊柱疾病患者術后POD。本研究通過回顧性分析663例患者的數據，識別關鍵變量，并開發了9種預測模型。最終，研究者選擇并優化了XGBoost模型，并為其構建了一個在線網頁計算器，以提高臨床實用性。研究團隊首先對患者數據進行了收集，排除了過去12個月內有嚴重精神疾病、術前譫妄等的患者。數據集被隨機分為訓練集、驗證集和測試集，以確保模型的泛化能力。通過LASSO回歸篩選出12個關鍵特征，并使用XGBoost模型進行預測。該模型在AUROC、Brier評分和DCA等指標上表現優異，成為POD預測的首選工具。研究發現，年齡、高血壓、吸煙史、既往疾病、術前白蛋白水平、術中血壓、術中失血量、術前CRP值和AIMBPD等因素與POD的發生顯著相關。基于這些信息，XGBoost模型實現了較高的預測準確率，預測概率的最優截止值為29.53%。模型預測值在驗證集和測試集中得到了驗證，證明了其在臨床應用中的可行性。研究者還開發了一個基于網絡的工具，方便臨床醫生利用XGBoost模型預測POD風險。該工具可以實時提供患者術后POD的預測概率，幫助醫生和護理人員提前識別高風險患者并采取相應的預防措施。此外，模型的在線計算器簡化了預測過程，使臨床決策更加便捷。盡管這項研究在POD預測方面取得了顯著進展，但仍存在局限性。首先，模型主要基于躁狂型POD，靜默型POD的識別和預測尚需進一步研究。其次，樣本量相對較小，可能影響模型的泛化能力。第三，模型的有效性可能受到不同醫療機構數據差異的影響，需要外部驗證數據集來進一步校準和優化。最后，模型的外推能力需通過更大規模、多中心的研究來驗證。總之，這項研究展示了機器學習在預測術后POD方面的潛力，并為臨床實踐提供了實用的工具。未來的研究應聚焦于解決模型局限性、擴大應用范圍和驗證模型在不同醫療環境下的表現，以進一步提高POD預測的準確性和臨床價值。