基于人工智能的结直肠癌手术患者决策支持预测模型的临床应用

本研究针对结直肠癌择期手术患者，探索将基于人工智能（AI）的预测模型实际应用于临床决策支持的可行性。手术后不良结局是导致患者生存率下降、肿瘤学预后恶化以及医疗成本上升的重要因素。如何在围手术期精准识别高风险患者，并据此制定个体化干预方案，是临床长期存在的难题。研究团队利用丹麦国家注册系统中18,403例结直肠癌患者的真实世界数据，以及来自单中心的连续病例，开发、验证并在临床实践中实施了一个AI风险预测模型。该模型的目标是预测术后1年死亡风险，并根据预测结果将患者分层，匹配不同强度的围手术期个体化治疗方案。模型在验证集中的受试者工作特征曲线下面积（AUROC）达到0.79，显示出良好的区分能力。非随机前后对照队列研究表明，个体化治疗组中综合并发症指数（CCI）>20的发生比例为19.1%，显著低于常规治疗组的28.0%，调整后的比值比为0.63（95% CI：0.42–0.92，P＝0.02）；医学并发症的发生率也显著降低（23.7% vs 37.3%，OR＝0.53，95% CI：0.36–0.76，P＜0.001）。短期卫生经济学建模结果显示，个体化治疗具有成本效益。本研究展示了一种可推广的、基于注册数据库的AI决策支持实施流程，提示该策略有望以具成本效益的方式改善围手术期临床结局。

尽管近几十年来手术技术和围手术期管理不断进步，但术后发病率和死亡率仍是全球性的临床挑战。大量研究已证明，围手术期的针对性干预可以减少术后并发症，但由于医护资源有限且缺乏可靠的风险评估工具，临床上难以精准选择适合干预的患者。为推进精准医学的发展，亟需可进行个体化风险评估的决策支持工具，以便根据患者的具体风险特征实施精准干预，实现医疗资源的高效分配。近年来，AI技术在医学预测领域的应用迅速发展，它能够处理大规模、多维度的临床数据，识别复杂的非线性模式，为术前风险评估提供更全面的视角。然而，实际临床落地面临诸多挑战，包括数据获取与隐私保护、跨注册系统的数据共享法规、与电子病历系统的整合，以及最关键的——临床效益的验证。因此，模型的可扩展性尤为重要。本研究通过四个步骤建立了从模型开发到临床实施的路径：首先利用注册数据探讨与术后不良结局相关的风险因素；其次开发并验证预测模型；第三步将模型应用于计划接受根治性结直肠癌手术的患者，为外科医生提供风险分层与治疗决策支持；最后评估模型在真实世界中的临床结局及成本效益。

研究纳入了三个队列。国家注册队列（NRC）包含2014年至2019年间18,403例择期手术患者，用于模型开发与内部验证；回顾性临床队列（RCC）为2020–2022年间806例患者，用于外部验证与对照分析；前瞻性临床队列（PCC）为2023年2月至12月接受手术的194例患者，用于实施后效果评估。模型开发初期共考虑8,694个协变量，经过临床监督的混合数据驱动选择，最终纳入58个变量进入模型。使用逻辑回归函数计算个体1年死亡的预测概率。模型在开发集的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）。模型校准曲线显示，在低风险区间预测较为理想，高风险区间略有高估，但在临床上是可接受的，因为分层的目的是将高风险患者分配至强化干预方案，而适度的高估不会造成实质性风险。模型的Brier得分在各数据集间均约为0.04–0.046，提示整体拟合度良好。

研究团队依据预测的1年死亡风险将患者分为四类：A组（≤1%）、B组（>1–≤5%）、C组（>5–≤15%）和D组（>15%）。不同风险组的实际术后医学并发症、外科并发症及1年死亡率呈递增趋势，模型的风险分层与临床实际吻合良好。RCC与PCC的总体预测风险无显著差异，但风险组分布有统计学差异（P＝0.032），说明模型实施后患者分层发生变化。医生与模型分组的一致性很高（κ＝0.926），仅4.6%的病例经人工调整。

在临床结局方面，PCC中CCI>20的比例为19.1%，显著低于RCC的28.0%；术后医学并发症发生率也降低至23.7%（RCC为37.3%）；术后90天内并发症的发生率降低（IRR＝0.66，95% CI：0.50–0.87，P＝0.003），再入院率亦显著下降（IRR＝0.66，95% CI：0.44–0.98，P＝0.041）。这些结果均表明，基于AI的个体化围手术期策略能有效改善短期临床结局。成本效益分析采用混合决策树与Markov状态转移模型，结果显示标准治疗组人均成本为28,006.94美元，个体化治疗组为25,159.36美元，节省2,848美元；QALY增益为0.02，96.6%的模拟结果表明个体化策略具有成本优势。

讨论部分指出，AI预测工具在以往多局限于科研环境，临床应用受限于技术复杂性和缺乏可操作性。为解决这些问题，本研究团队建立了临床医生与数据科学家的多学科合作框架，共同界定问题、明确目标并基于已有的国家高质量数据库开发模型，选择简单、可部署的模型架构，确保可行性与可信度。模型采用人口学特征、合并症、健康行为、实验室指标等多维数据，能够生成个体化的术后风险预测，指导术前优化干预，尤其对高风险患者获益更为显著。本研究以非随机前后对照的形式提供了真实世界的初步证据，显示AI支持的个体化围手术期治疗可降低并发症与再入院率，具有经济优势，为未来多中心随机试验奠定了基础。

研究也存在一定局限性，包括无法确定因果关系、样本量有限、单中心设计，以及模型与标准化干预包各自作用的归因尚未明确。丹麦目前已计划开展多中心随机对照试验（NCT06645015）进一步验证该策略。尽管如此，本研究作为概念验证，为AI技术在外科决策中的实际应用提供了重要经验。

总体而言，本研究提出并验证了一套可复制的路径，将基于注册数据库的AI预测模型成功嵌入临床工作流程，实现风险分层驱动的个体化围手术期管理，显著改善术后结局并节约医疗成本。这一方法不仅在结直肠癌手术中具有潜力，也为AI技术在其他外科及医疗领域的推广提供了范式。

图1 研究流程图

图2 研究设计概率

图3 在基于问题的探索过程中所得结果。a–d：显示择期根治性手术患者术后1年死亡率的Kaplan–Meier曲线，按患者在术后30天内是否发生Clavien–Dindo 2级或以上的术后并发症进行分层，不同分层因素包括：年龄组（a）、Charlson合并症指数（CC-index，b）、WHO体能状态（WHO PS，c）以及UICC分期（d）。e：显示各因素与术后30天内发生CD 2级或以上并发症之间的相关矩阵，以及各因素之间的Spearman相关系数

患者特征

图5 研究的临床结局。a–d：展示了在实施个体化围手术期治疗后的前瞻性临床队列（PPC）与对照的回顾性临床队列（RCC）中，按照风险分组A、B、C、D以及总体的分层结果。左侧为各结局事件的发生比例；右侧为使用Logistic回归或负二项回归（视结局类型而定）进行单变量和多变量回归分析的结果。分析的结局包括：综合并发症指数（CCI）>20 的发生比例（a）、医学并发症的发生比例（b）、术后并发症数量的发生率（c）以及术后再入院次数的发生率（d）。

回归模型中自变量包括治疗方式、风险分组或两者的组合，因变量为各对应结局。模型系数在Logistic回归中以比值比（OR）表示，在负二项回归中以发生率比（IRR）表示，并给出95%置信区间和基于Wald检验的双侧P值，未进行多重比较校正。PPT表示个体化围手术期治疗。