将预测模型转化为临床实践：使用常规数据的快速简约决策树预测术后谵妄

这对术后患者为何重要

术后苏醒时表现出困惑、躁动或难以集中注意力不仅仅是一次严重的不适——它可能是术后谵妄的表现，这在老年或体弱患者中尤其常见。谵妄与住院时间延长、独立能力丧失甚至死亡风险增加相关。许多医院拥有理论上能标记高风险患者的复杂计算工具，但这些工具很少真正走到床边使用，因为在现实临床的快节奏环境中它们难以操作。本研究探讨了是否可以用非常简单、易记的决策规则，帮助繁忙的临床医师仅凭每天已收集的信息识别高风险患者。

术后出现的混乱及其难以预测的原因

术后谵妄是一种注意力和意识突然受扰的状态，可在麻醉后数小时内出现。该病在老年人和有多种合并症的人群中尤为常见。研究人员早已发现，年龄较大、整体体况不佳、既往疾病以及记忆或功能问题的迹象等因素都会增加风险。许多预测工具就是围绕这些因素构建的，但它们常常需要耗时的问卷、特殊测试或复杂软件。在日常护理中，工作人员要应对众多任务和患者，这些额外要求导致即便是指南推荐的筛查也常被跳过或执行不一致。

由日常医院数据构建的简单决策树

作者聚焦于一种极简的决策辅助形式，称为“快速简约决策树”。这些决策树不是处理几十个变量，而是依赖按顺序检查的少数关键线索，并在出现明确风险信号时立即做出决定。研究团队利用德国一家大型医院超过6.1万名接受非心脏、非脑外科手术成年人的电子健康记录，测试了先前在严格研究环境中设计的决策树在日常记录这一杂乱环境中是否仍然有效。他们还将这些简单树与更复杂的方法（如逻辑回归、随机森林和支持向量机）进行了比较，并根据真实世界的数据构建了新的、经过调整的决策树。

这些简单规则的表现如何？

当原始决策树直接应用到医院数据时，其表现有所下降，反映出干净的研究记录与日常病历之间的差异。然而，当研究者保留树的结构但调整阈值——例如微调年龄或健康评分的临界值——其区分发生与未发生谵妄患者的能力有所提升。更新后的决策树在术前信息下达到约58%的“平衡准确率”，当加入手术中信息（如麻醉时长）后约为60%。重要的是，这一表现与那些更复杂的机器学习模型相当，后者尽管更复杂且在训练数据上易过拟合，但并未带来明显优势。

最有价值的少数线索

最终的决策树将风险评估浓缩为仅三条信息。术前模型使用年龄、麻醉科医师评定的整体体况评分以及手术是否涉及肢体或肌肉骨骼系统。加入手术室信息后，最具信息量的线索变为年龄、麻醉时长和既往疾病的存在。平均而言，决策树每位患者仅需大约一到两个线索即可做出判断，几乎减少了可用信息的全部量。这表明在实际操作中，一小组稳健的指标能捕捉到常规数据中关于谵妄风险的大部分信息。

这对日常护理意味着什么

研究表明，尽管目前没有任何模型能高度精确地预测术后谵妄，但非常简单的决策树可以匹配先进算法的表现，同时更易于理解和使用。这些决策树并非预言工具，而是作为认知辅助，帮助临床人员以合理顺序一致地排列已知风险因素，从而更可能识别出高风险患者并提供更密切的监测或预防措施。对于患者和家属而言，这可能意味着更早开展关于风险的讨论、更个性化的护理，以及可能更少的术后令人痛苦的混乱——这一切无需新技术、额外检测或复杂评分系统。

引用: Wegwarth, O., Balzer, F., Boie, S.D. et al. Translating predictive models into clinical practice: fast-and-frugal trees for postoperative delirium using routine data. Sci Rep 16, 12731 (2026). https://doi.org/10.1038/s41598-026-47452-3

关键词: 术后谵妄, 手术风险预测, 临床决策工具, 电子健康记录, 快速简约决策树