Bygga och validera maskininlärningsmodeller för att förutsäga appendixperforation under konservativ behandling av fecalithassocierad appendicit: en 20-algoritms multicenter retrospektiv analys

Varför detta är viktigt för personer med buksmärta

Appendicit är en av de vanligaste orsakerna till akuta operationer, men många patienter behandlas i dag initialt med antibiotika istället för omedelbar operation. För dem vars appendix innehåller en hård, stenliknande propp av avföring, kallad fecalith, kan detta val vara riskabelt eftersom appendixen är mer benägen att brista. Denna studie ställer en fråga som är viktig för varje patient och läkare inför det beslutet: kan vi tidigt och säkert avgöra vem som kan fortsätta med medicinsk behandling och vem som är i verklig fara för en farlig perforation?

Utmaningen med en blockerad appendix

Läkare har i åratal känt till att appendicit beter sig annorlunda när en fecalith blockerar appendix trånga gång. Blockeringen höjer trycket, stryper blodflödet och främjar infektion, allt vilket ökar risken för att organet ska spricka även om antibiotika sätts in snabbt. Vanliga kliniska scoringssystem för appendicit är dock utvecklade för alla patienter, inte specifikt för dem med fecalith, och de förutsäger inte perforation särskilt väl i denna högre riskgrupp. Den osäkerheten lämnar kliniker förmågna att antingen operera för ofta—med sina egna risker och kostnader—eller vänta för länge och riskera en sprucken appendix.

Använda mönster i sjukhusdata

Forskarna samlade journaler från 1 247 vuxna som behandlats utan omedelbar operation för fecalithassocierad appendicit vid fyra stora sjukhus mellan 2018 och 2023. Ungefär en av sju drabbades av perforation inom tre dagar. För varje patient samlade teamet enkel information som redan ingår i rutinvården: ålder, vitalparametrar, blodprover som visar inflammation och CT-mätningar av appendix och fecalith. De tränade sedan 20 olika datoralgoritmer för att upptäcka mönster som kopplar dessa variabler till vilka som gick vidare till att få en perforation, och reserverade en del av datan för att rättvist testa modellerna.

Den vinnande riskprediktionsverktyget

Bland alla angreppssätt presterade en familj av metoder som kombinerar många beslutsträd, känd som gradient boosting, bäst. Efter ett steg för att välja ut funktioner byggde slutverktyget på åtta lättillgängliga uppgifter, inklusive storleken på fecalith, blodnivåer av C-reaktivt protein och vita blodkroppar, samt hur tjock och bred appendix såg ut på CT. I huvudtestgruppen separerade modellen korrekt högrisk- och lågriskpatienter med ett utmärkt noggrannhetsmått (AUC omkring 0,89). Mest anmärkningsvärt var att när modellen bedömde någon som lågrisk var den rätt mer än 96 procent av gångerna att personen inte skulle perforera, vilket ger starkt stöd för fortsatt konservativ behandling.

Att omvandla siffror till tydliga riskgrupper

För att göra verktyget praktiskt vid sängen omvandlade teamet dess råa sannolikhetspoäng till tre enkla nivåer. Patienter med förutspänd risk under 30 procent klassificerades som lågrisk och hade bara 3,8 procents faktisk perforationsfrekvens. De som låg mellan 30 och 60 procent var måttlig risk, med ungefär en av fyra som fick perforation. Över 60 procent var hög risk, mer än sju av tio av dessa fick perforation. Föreslagna åtgärder följer denna trappa: rutinövervakning för lågriskgruppen, noggrannare observation och upprepade tester för mellangruppen, och tidig eller brådskande operation för de som har högst risk. En separat uppsättning om 225 patienter från ett femte sjukhus, som inte användes för att bygga modellen, visade mycket liknande prestanda, vilket tyder på att metoden kan fungera utanför de ursprungliga centren.

Vad detta betyder för patienter och läkare

I vardagliga termer visar denna studie att en dator tränad på vanliga laboratorietester och CT-fynd kan ge läkare en mycket tydligare tidig varning om vilka patienter med en blockerad appendix som är i verklig fara om de fortsätter enbart med antibiotika. Verktyget är inte perfekt, men det är särskilt bra på att identifiera personer som är säkra att övervaka och behandla utan att skynda till operationssalen. Med ytterligare testning på olika sjukhus och i realtid kan sådana modeller stödja mer individualiserade beslut, hjälpa många patienter att undvika onödiga operationer samtidigt som de som har högst risk får tidskritisk kirurgi innan appendix brister.

Citering: Zhu, Y., Feng, J., Liu, R. et al. Building and validating machine learning models to predict appendiceal perforation during conservative treatment of fecalith-associated appendicitis: a 20-algorithm multicenter retrospective analysis. Sci Rep 16, 11728 (2026). https://doi.org/10.1038/s41598-026-47372-2

Nyckelord: appendicit, maskininlärning, riskprediktion, konservativ behandling, gradient boosting