编辑推荐：
本研究针对结直肠癌择期手术后不良结局高发的临床挑战，开发并验证了一种基于人工智能的1年死亡率预测模型。通过整合丹麦全国登记处18,403例患者数据，研究团队构建了包含58个协变量的预测工具（AUROC=0.79），并据此制定风险分层个性化治疗路径。实施后显著降低综合并发症指数>20的发生率（19.1% vs 28.0%, OR=0.63）和医疗并发症发生率（23.7% vs 37.3%, OR=0.53），短期卫生经济学模型证实其成本效益。该研究为AI临床决策支持系统在围手术期的规模化应用提供了可行范式。
在全球范围内，术后并发症和死亡仍是外科治疗面临的重要挑战。尽管手术技术和围手术期护理在过去几十年取得显著进步，但结直肠癌择期手术后不良结局仍是导致生存率下降、肿瘤预后较差和医疗成本增加的主要因素。识别高风险患者并根据个体风险特征选择围手术期干预措施，始终是癌症外科领域的核心难题。
为应对这一挑战，研究人员开展了一项开创性研究，通过人工智能技术开发临床决策支持工具，实现围手术期治疗的个性化管理。这项发表在《Nature Medicine》的研究，利用丹麦国家登记处18,403例结直肠癌患者的真实世界数据，结合单中心连续患者数据，开发、验证并实施了基于人工智能的风险预测模型作为个性化围手术期治疗的决策支持工具。
研究团队采用多阶段方法：首先利用登记数据探索术后不良结局的风险因素关系；随后开发验证AI预测模型；接着在结直肠癌择期手术患者中实施个性化临床护理；最后评估临床结果并建模分析成本效益。关键技术方法包括：使用丹麦结直肠癌组(DCCG)数据库等全国登记数据进行模型训练，采用OMOP通用数据模型整合多源医疗数据，应用LASSO逻辑回归算法进行特征选择和模型构建，并通过前瞻性队列验证临床效果。
问题导向学习
通过分析国家登记队列(NRC)发现，较高的查尔森合并症指数(CC-index)、WHO绩效状态(WHO PS)、国际抗癌联盟分期(UICC分期)和年龄均与较短生存期相关。这些预后因素与术后并发症存在叠加效应，且各因素间相关性较低(Spearman系数-0.03至0.29)，支持多维风险评估的价值。
1年死亡率预测模型的开发与验证
模型从8,694个初始协变量中最终纳入58个特征。开发集AUROC为0.82(95%CI:0.81-0.84)，内部验证集为0.77(95%CI:0.74-0.80)，外部验证集为0.79(95%CI:0.71-0.87)。模型在低预测风险区间校准良好，但在高风险区间存在过度预测倾向。
风险分层的临床相关性
根据1年死亡率预测风险分为4组：A组(≤1%)、B组(>1-≤5%)、C组(>5-≤15%)和D组(>15%)。各组间术后并发症发生率呈现单调递增趋势，证实风险分层的临床有效性。
个性化围手术期治疗实施前后的临床结果
前瞻性临床队列(PCC)与回顾性临床队列(RCC)比较显示：综合并发症指数(CCI)>20的发生率从28.0%降至19.1%(调整后OR=0.63)；医疗并发症发生率从37.3%降至23.7%(调整后OR=0.53)；术后90天内并发症发生率从0.76次/人降至0.48次/人(IRR=0.66)；再入院率也从0.31次/人降至0.20次/人(IRR=0.66)。
成本效益分析
短期卫生经济模型显示，个性化围手术期治疗相比标准护理每人节省2,847.59美元，同时获得0.020质量调整生命年(QALYs)的增量收益，96.56%的概率显示其具有成本效益优势。
研究结论表明，这种基于登记数据的全可扩展方法能够利用现成数据构建AI临床决策支持管道。该特定方法可作为改善关键外科临床结果的成本效益策略，为AI技术在手术领域的应用提供了实践框架。研究突破了AI预测模型与真实世界临床实施间的鸿沟，将AI预测转化为可操作的治疗方案调整，代表了从传统预测分析向真正干预性AI应用的重要转变。
尽管研究存在无法建立因果关系、样本量有限和单中心来源等局限性，但作为概念验证研究，为AI技术在外科领域的实际应用提供了开创性见解。正在丹麦规划的多中心随机对照试验(NCT06645015)将进一步评估决策支持工具在标准化围手术期优化捆绑措施下的效果。
这项研究解决了当前AI在外科领域部署的相关挑战，展示了AI技术的临床效用，并为其他医疗领域提供了可适应的扩展框架。研究发现有望加速围手术期护理向个性化医疗的范式转变，为精准医学时代的外科治疗提供新思路。
生物通微信公众号
生物通 版权所有
