iMetaMed | 李文乐/栾昊鹏/刘强-基于机器学习的后路脊柱矫形手术难度预测及风险分层：多中心队列研究

本研究旨在构建并验证一个基于机器学习的术前手术难度预测与风险分层系统，用于后路脊柱畸形矫正手术。背景方面，脊柱畸形在全球老龄化人口中愈发普遍，手术作为主要治疗手段，其复杂性与手术时长密切相关，但传统评估方法存在局限。研究目的为利用多中心临床数据，通过机器学习算法预测手术时长延长（超过240分钟）的风险，并开发在线计算器辅助临床决策。研究结果显示，通过Boruta算法筛选出七个关键预测因子：疾病至手术间隔、纤维蛋白原、白细胞计数、部分凝血活酶时间、美国麻醉学会等级、白蛋白和年龄。其中LightGBM模型表现最优，AUC约为0.70，并通过SHAP等方法提升可解释性。结论表明，该模型具有较高的准确性和临床转化潜力，能支持个性化手术规划和资源分配，但需进一步多中心前瞻性验证以优化普适性。