用于预测吻合口漏的量子机器学习：一项临床研究

这项研究对患者和医生的重要性

吻合口漏是在外科医生重连肠管后可能发生的一种危险并发症，可导致感染、再次手术甚至死亡。本研究提出了一个及时的问题：利用相同的小规模但经过精心采集的医院数据，受量子计算机启发的新工具是否能够比现有的统计和机器学习方法更好地帮助医生识别高风险患者？

了解一种严重的外科并发症

当切除部分肠道时，外科医生将剩余的两端连接起来，形成称为吻合口的连接。如果该连接未能愈合，肠内容物可能泄入腹腔，引发炎症、败血症以及漫长且危险的恢复。在所研究的医院中，吻合口漏发生在约14%的患者中，并与高达40%的手术相关死亡有关，因此即便是对预测的微小改进也可能挽救生命。早期研究已指出糖尿病和吸烟等危险因素，并表明某些手术技术和监测工具可降低漏的发生率。

研究人员在真实患者中测量的内容

研究团队分析了2015年至2016年间接受结直肠手术的200名患者的病历，其中28人发生了吻合口漏。研究起始时每位患者有76项信息，涵盖手术选择和病史。通过详细的统计检验和与外科医生的讨论，他们将这些信息缩减为一组临床上有意义的因素。其中四项最为突出：是否使用软直肠管（NoCoil）以减压、是否保留了供应肠道的主要动脉（ACSP）、患者是否患有糖尿病（DM）以及是否吸烟。研究在未做平衡处理的原始不平衡数据集上，用这些因素构建了传统预测模型和量子神经网络模型，以模拟真实医院环境。

受量子启发的模型如何构建与测试

量子神经网络是运行在量子电路上的机器学习模型，而非纯粹的经典代码。在本项工作中，这些模型在传统计算机上进行了模拟，但加入了真实量子硬件的噪声，例如随机门误差和有限测量精度。患者信息首先被编码为量子态，然后通过可训练层传递，这些层模拟了小型量子电路。研究人员测试了两种主要电路设计，并结合了多种优化策略——一些使用梯度，另一些依赖类进化搜索——以观察在有噪声条件下哪些组合能最好地从数据中学习。

量子与经典预测的比较

关键比较是在83%的敏感性水平下进行的，该水平反映了临床优先事项：尽量避免漏诊将会发展为漏的患者，即便这意味着要接受更多的假警报。在固定该敏感性时，某些量子神经网络配置——尤其是使用EfficientSU2电路配合BFGS优化器或使用RealAmplitudes电路配合CMA-ES——达到了高达66%的特异性和高达96%的阴性预测值。相比之下，经典模型包括逻辑回归和经过调参的多层感知器，在相同敏感性下的特异性约为44%，阴性预测值约为94%。这表明基于量子的模型在捕获相同比例真实漏例的同时，产生了更少的假阳性。

优点、局限与后续方向

尽管量子神经网络在将高风险与低风险患者清晰区分方面表现更好，经典模型在概率校准方面更优：它们预测的风险百分比与观察到的结果更为一致。这使得经典方法更适合用于细粒度的风险评分，例如在权衡不同治疗方案时。该研究还受限于样本量有限和单中心数据，这可能导致任何模型在新患者上表现不如在本研究中看起来的那样好。作者强调，在这些工具能被常规临床依赖之前，需要更大规模、多医院的研究以及在真实量子硬件上的试验。

用通俗语言说明其含义

通俗来说，这项研究表明，量子风格的机器学习在模拟中可以帮助医生筛查这种危险的肠道手术并发症，同时比标准方法产生更少的假警报。然而，传统模型仍然能提供更可靠的风险百分比。目前，量子神经网络作为早期预警的额外安全网显示出前景，但在能直接指导治疗决策之前，它们必须在更大规模的患者群体中得到验证，并与明确、校准良好的风险估计相结合。

引用: Novák, V., Zelinka, I., Přibylová, L. et al. Quantum machine learning for predicting anastomotic leak: a clinical study. Sci Rep 16, 15518 (2026). https://doi.org/10.1038/s41598-026-44402-x

关键词: 吻合口漏, 量子机器学习, 结直肠外科, 临床风险预测, 医疗人工智能