构建和验证机器学习模型以预测粪石相关阑尾炎保守治疗期间的阑尾穿孔：一项包含20种算法的多中心回顾性分析

这对腹痛患者为何重要

阑尾炎是急诊手术的常见原因之一，但如今许多患者在最初会先接受抗生素治疗，而不是立即手术。对于阑尾内有硬块样粪石的患者，这一选择可能存在风险，因为阑尾更容易破裂。本研究提出了一个对每位面临该决定的患者和医生都很重要的问题：我们能否在早期安全地区分出哪些人可以继续药物保守治疗，哪些人真正面临危险性穿孔？

被阻塞的阑尾带来的挑战

多年来医生已知道，当粪石堵塞阑尾狭窄管腔时，阑尾炎的表现会有所不同。堵塞会升高腔内压力、阻断血流并促进感染，这些因素都会增加器官在即便快速开始抗生素治疗情况下破裂的风险。然而，常用的床旁评分系统是为所有阑尾炎患者设计的，而不是专门针对有粪石的高危人群，因此对该群体的穿孔预测效果并不理想。这种不确定性使临床医生在过度手术（伴随自身风险和费用）与等待过久导致阑尾破裂之间左右为难。

利用医院数据中的模式

研究人员收集了2018年至2023年间，在四家大型医院接受非立即手术治疗的1247例粪石相关阑尾炎成年患者的病历。大约每七人中就有一人在三天内发生穿孔。对每位患者，团队收集了已经是常规护理一部分的简单信息：年龄、生命体征、反映炎症的血液检查结果，以及CT对阑尾和粪石的测量。他们随后训练了20种不同的计算机算法来识别这些特征与是否发生阑尾穿孔之间的关联，同时留出部分数据用于对模型进行公正的测试。

获胜的风险预测工具

在所有方法中，一类将多棵决策树组合起来的方法——即梯度提升（gradient boosting）表现最佳。经过特征选择步骤，最终工具依赖于八项易于获得的信息，包括粪石的大小、C反应蛋白和白细胞的血液水平，以及CT上阑尾的厚度和直径。在主要测试组中，该模型能很好地区分高危与低危患者，准确度指标（AUC）约为0.89。最引人注目的是，当模型判断某人为低风险时，该患者实际不发生穿孔的概率超过96%，为继续保守治疗提供了强有力的安心依据。

将概率数值转化为明确的风险分层

为了便于床旁使用，团队将模型给出的原始概率分数转换为三个简单等级。预测风险低于30%的患者被标为低风险，实际穿孔率仅为3.8%。风险在30%到60%之间者为中等风险，大约每四人中就有一人发生穿孔。超过60%为高风险组，超过七成的此类患者最终发生了穿孔。相应的建议措施也按此分级：对低风险组常规监测；对中等风险组加强观察并重复检查；对高风险组则建议尽早或紧急手术。来自第五家医院的225例独立患者（未用于模型构建）显示了非常相似的表现，表明该方法有可能在原始中心以外的环境中也有效。

这对患者和医生意味着什么

通俗地说，这项研究表明，基于常规实验室检查和CT影像训练的计算机模型，能够为医生在早期更清晰地提示哪些粪石阻塞的患者在仅用抗生素时确实有危险。虽然该工具并非完美，但在识别可安全观察和保守治疗的患者方面尤其可靠。通过在不同医院和实时临床环境中进一步验证，这类模型可以支持更个体化的决策，帮助许多患者避免不必要的手术，同时确保风险最高者在阑尾破裂前得到及时的手术干预。

引用: 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

关键词: 阑尾炎, 机器学习, 风险预测, 保守治疗, 梯度提升