用于颅骨成形术后风险预测和手术决策支持的因果且可解释的机器学习框架

为何预测手术风险至关重要

当严重脑外伤或中风迫使外科医生为挽救生命而暂时切除部分颅骨时，随后需要进行第二次手术——称为颅骨成形术——以修复缺口。尽管这类随后手术常常能恢复对颅脑的保护和外观，但其并发症风险出人意料地高，例如感染或脑周围液体积聚。本文总结的研究提出了一个实用问题：我们能否利用医院数据和现代计算技术预测哪些患者最为危险，甚至建议更安全的手术方式？

封闭颅腔，但风险难免

在减压开颅术（为缓解危险颅内压而切除部分颅骨）后，大脑处于易受伤害的状态。颅骨成形术既能恢复颅形，又能改善脑功能和外观，支持康复与自信。然而超过四分之一的患者在术后出现问题，包括感染、出血、癫痫发作或气体与液体囊肿等。这些挫折会延长住院时间、增加费用，甚至抵消已取得的康复成果。尽管先前研究已识别出一些风险因素，但直到现在，临床上还缺乏能够针对每位患者可靠预测并发症的工具。

教会计算机及早发现问题

为了解决这一空白，研究人员收集了来自中国三家大型医院的1,368例接受颅骨成形术患者的详尽病历，时间跨度近十年。他们聚焦于那些在术前或术中即可获得的信息——例如患者意识水平、颅骨缺损大小、距首次手术的时间、是否存在感染或脑周液体征象，以及手术室内的技术选择等。利用这些数据，他们训练并比较了15种不同的机器学习方法，这类算法通过示例学习模式，而不是依赖人工编写的规则。

通过谨慎的特征选择过程，团队识别出九个在多种统计方法中始终携带最多信息的关键预测因子。随后他们构建了模型来估计任意并发症发生的概率，并为具体问题如感染、液体积聚、癫痫发作或再次手术的需求建立了单独模型。随机森林模型——一种将多棵决策树组合起来的技术——成为总体上表现最好的预测器，在准确性与可靠性之间取得了良好平衡。

数字风险评分的表现如何

研究者不仅在原始患者群体上测试其主模型，还在另一家医院的患者以及不同时期治疗的后续患者群上进行了检验。在所有这些情况下，模型都能以令人印象深刻的表现区分高风险与低风险患者，能在超过100例中正确排序93例以上。模型在各年龄段及男女患者中均保持准确，其预测概率与实际发生率高度一致。针对个别并发症的独立模型也表现良好，尽管对于癫痫发作或某些出血类型等罕见事件的精度较低。

从预测到改变手术本身

研究团队不仅将患者标记为高风险或低风险，还想知道具体的手术选择是否能实际上改变这些风险。利用“因果”机器学习工具，他们研究了外科医生在颅骨成形术中可控的两个决策：在头皮下放置小型负压引流以去除血液和液体，以及是否使用钛网板而非其他人工材料。分析显示，引流和钛网都与总体上明显更少的并发症相关，尤其在大多数年龄与性别组中效果显著。在某些情况下，虚拟的“假设”实验表明，仅改变其中一项选择就可能在模型看来将一例高风险病例转为低风险。

将复杂数学转化为床旁工具

为了使研究成果能在繁忙的医院中使用，作者将模型打包为一个免费网络应用。临床医生可以输入少量患者信息和手术方案，立即获得总体及分项并发症风险估计，并看到驱动预测的关键因素解释。对于患者和家属，这有助于更清晰地讨论不同手术方式的利弊；对于外科医生，则提供了一种超越直觉、走向数据驱动和个体化决策的途径。尽管仍需在其他国家进行更多测试并开展长期随访研究，此框架展示了如何通过精心设计的机器学习工具既预测手术风险，又指出可能使脑外科更安全的具体措施。

引用: Li, W., Wang, B., Li, T. et al. A Causal and interpretable machine learning framework for postcranioplasty risk prediction and surgical decision support. npj Digit. Med. 9, 184 (2026). https://doi.org/10.1038/s41746-026-02370-6

关键词: 颅骨成形术, 术后并发症, 机器学习, 手术决策支持, 钛网