背景：
申请综合性整形外科项目是研究生医学教育中最具竞争性的过程之一。先前的研究强调了客观指标在申请筛选中的作用。然而，尚未有研究将推荐信（LOR）的定性内容和作者特征纳入考量范围。
目的：
本研究的目的是开发并验证一个模型，该模型结合定量和定性申请数据（包括推荐信内容和作者特征），以预测综合性整形外科项目的录取结果。
方法：
本研究回顾了2023至2024年以及2024至2025年周期内所有申请综合性整形外科项目的美国医学博士（MD）申请者的资料。收集的数据包括申请者的人口统计信息、学术指标、研究产出、叙述性推荐信（narrative LOR）和标准化推荐信排名。同时提取了推荐信撰写者的特征。叙述性推荐信使用LIWC-22工具和自定义词典进行了语言分析。基于最小绝对值收缩选择算法（Least Absolute Shrinkage and Selection Operator）构建了一个多变量逻辑模型，并将该模型应用于2023至2024年的数据集，随后对其在2024至2025年的数据集进行了前瞻性验证。模型性能通过接收者操作特征曲线下面积（AUC）进行评估。
结果：
2023至2024年数据集共纳入169名申请者。最终模型发现，较高的第二阶段评分、更多的演讲机会、较高的推荐信撰写者H指数以及推荐信中“通俗/令人喜欢”的语言表达是成功录取的积极预测因素。而标准化推荐信排名在5到10之间则是不利于录取的预测因素。前瞻性验证的AUC值为0.7791。
结论：
我们基于机器学习的统计模型准确识别出了综合性整形外科项目录取成功的预测因素。随着住院医师选拔机制的不断发展，提高透明度、标准化程度和基于证据的指导将对于促进公平性和优化录取结果至关重要。
