【产麻新谭】开发机器学习模型来预测剖宫产术后镇痛不足和不良反应的高危因素

全球剖宫产率呈持续上升趋势。2015-2016年间，中国的剖宫产率达到了38.9%[1]。值得注意的是，接受剖宫产手术的产妇中，约20%存在术后镇痛不足的情况[2]，而这是引发术后慢性疼痛的关键因素。此外，术后疼痛管理不善不仅会增加产后抑郁的发生风险，还会对母乳喂养及婴儿护理等方面产生负面影响[3]。因此，有效的术后疼痛管理意义重大。

目前大多数研究主要聚焦于药物镇痛治疗，而针对术后镇痛不足相关问题的研究相对较少[4]。对于产妇来说，早期识别其镇痛不足以及可能出现不良反应的高危因素，对于改善预后至关重要。华中科技大学附属同济医院的研究人员近期在《International Journal of Surgery》上发表的一项前瞻性研究，开发了一种机器学习模型，旨在预测这些相关因素，进而优化产科手术的麻醉管理[5]。

方法

这项瞻性研究纳入2023年12月至2024年5月期间行择期剖宫产的763例产妇。将42个变量分为术前( 18个)、术中( 12个)和术后( 12个)因素，构建术后镇痛和不良反应的机器学习模型( MLPIAAR )。应用10种算法进行模型开发。通过10倍交叉验证和Grid Search CV对模型性能进行优化。评价指标包括受试者工作特征（ROC）曲线、曲线下面积（AUC）、准确度和精确度。使用SHapley Additive exPlanations(SHAP)增强了模型的可解释性。回归分析探讨PCA按压频率、PCA消耗量和患者意度的影响因素，利用预测值和散点图进行验证。

术前变量：美国麻醉医师协会分级、体重指数（BMI）、年龄、爱丁堡产后抑郁量表（EPDS）和焦虑评分、疼痛灾难化量表（PCS）评分、妊娠期高血压（PIH）、妊娠期糖尿病（GDM）、甲状腺疾病、妊娠期恶心呕吐、仰卧位低血压综合征、分娩方式、流产、孕期疼痛、受教育程度以及术后恶心呕吐病史（PONV）或晕动病史。术中变量：手术时间、麻醉时间、外科医生、椎管内芬太尼使用量、恶心呕吐发生率、寒战发生率、阻滞平面、地塞米松、羟考酮、氟比洛芬酯、帕洛诺司琼及地塞米松-氟比洛芬酯联合用药情况。术后变量：双氯芬酸钠使用量、PCA镇痛泵配方、镇静评分、静态和动态NRS评分、PCA按压次数和消耗量、患者满意度、恶心呕吐评分以及术后EPDS和焦虑评分。

图1 研究设计

结果

该研究共纳入763例产妇，其中185例产妇（24.25%）在术后24小时内出现镇痛不全。根据术后是否出现镇痛不全分为两组。由于研究涉及变量众多，为便于后续分析，对各变量进行了编码赋值。术前因素包括BMI、年龄、术前抑郁评分、术前焦虑评分等等，分别对应编码SQ2至SQ16。术中因素涵盖手术时长、外科医生、椎管内芬太尼使用情况等等，分别对应编码SZ1至SZ12。术后因素包PCA使用情况、双氯芬酸钠给药情况等等，分别对应编码SH1、SH2、y1至y10。详见表1。

表1：产妇特点

该研究基于10种先进的机器学习算法构建了预测模型MLPIAAR，并通过10倍交叉验证与网格搜索技术对模型参数进行优化。采用多项关键指标包括ROC曲线、AUC值、决策曲线分析、准确度和精确度全面评估模型性能，具体结果详见图2。

图2A展示了所有模型在训练集上的ROC曲线及AUC值，其中SVC模型表现最佳，其AUC值为0.87；紧随其后的是Extra Tree和Random Forest模型，AUC值分别为0.83和0.81。值得注意的是，SVC模型的AUC超过0.85，表明其具备出色的区分能力。在验证集（图2B）中，Extra Trees模型表现突出，AUC达到0.86，而SVC和Random Forest的AUC均为0.84。通过准确度和精确度的对比（图2C）可以发现，SVC模型在准确度上达到最高值（0.895），其次是Extra Tree（0.886），逻辑回归和线性支持向量机（Linear SVM）并列第三（0.803）。在精确度方面，Extra Tree和Random Forest模型排名第一（1.0），而SVC模型以0.938紧随其后。综合来看，SVC和Extra Trees模型的性能优于其他模型。

进一步分析Extra Tree、Random Forest和SVC模型的混淆矩阵（图2D）可以发现，在训练集中：Extra Tree模型的真阳性（TP）为397，真阴性（TN）为46；Random Forest模型的TP为401，TN为7；SVC模型的TP为398，TN为67。校准曲线（图2E-F）则凸显了逻辑回归模型的高准确性，其曲线与理想曲线高度吻合。像SVC这样的模型虽然呈现出S形曲线，但仍与理论趋势保持一致，表明该算法具有良好的性能。

图2 MLPIAAR模型的准确性分析

图3使用MLPIAR模型对剖宫产术后镇痛不全的高危因素进行分析。结果表明，训练集（图3A）与验证集（图3E）的ROC曲线均显著偏离对角线，证实预测模型具有较强识别能力。训练集和验证集ROC曲线的AUC值分别为0.80和0.91。在应用于训练集（图3B）和验证集（图3F）的机器学习模型中，术中联合使用地塞米松与氟比洛芬酯（SZ12）是最重要影响因素，该特征的特征值随SHAP值增大而递减。第二、第三重要因素分别为术后使用双氯芬酸钠（SQ19）与术中单用地塞米松（SZ8），二者特征值均随SHAP值升高而增大。

为进一步阐明SHAP的构建原理，该研究从训练集和验证集中提取了特定样本的SHAP瀑布图，如（图3C和3G）所示。数据集中的每个观测值都有对应的SHAP瀑布图。通过叠加并平均所有样本数据，结果以蜂群图形式可视化呈现（图3B）。（图3D）展示了训练集中特定样本的SHAP图，该图清晰呈现了样本的SHAP值及其对模型预测结果的影响。图3H展示了术中同时接受地塞米松和氟比洛芬酯患者（SZ12）的SHAP值散点图，这些患者的SHAP值最大为0.06，而未同时使用两种药物的患者SHAP值均为负值，最小达-0.079。

图3 剖宫产术后动态评分机器学习模型的计算结果及SHAP解释

为探究产妇年龄与剖宫产术后镇痛不足的关系，将产妇按照年龄分为A（≥28岁）、B（28至35岁）、C（≥35岁）三组。研究结果如图4所示，图中显示了不同年龄产妇影响因素重要性排序的直方图。计算结果显示，对于术中联合使用地塞米松与氟比洛芬酯的产妇，其平均绝对SHAP值（|SHAP值|）随年龄增长呈递减趋势：A组0.04、B组0.03、C组0.02。这一趋势表明，高龄产妇的|SHAP值|较小，对应术后镇痛不足的风险也相对降低。

图4 剖宫产术后动态评分机器学习模型的计算结果和SHAP解释

图5展示了用于预测PONV的MLPIAAR模型结果及其SHAP值。其中，图5A以恶心为因变量，绘制了ROC曲线并标注了AUC值。验证集的ROC曲线显著偏离对角线，表明模型具备较强的识别能力；AUC值为0.85，进一步证实了该模型在分析影响恶心评分的因素时具有较高的准确性。图5B以呕吐为因变量，绘制了ROC曲线并标注了AUC值。验证集的AUC高达0.96，表明该模型在识别影响呕吐评分的因素方面表现出极高的精确度。

图5C以恶心评分为因变量，展示了SHAP蜂群图。结果显示，术中同时使用地塞米松和氟比洛芬酯（SZ12）是影响恶心评分的最关键因素。其次，术中寒战（SZ6）也显著影响恶心评分，较高的SHAP值与较高的特征值相关，表明其会增加PONV风险。此外，术前PIH被确定为第三个关键因素，SHAP值越高，恶心的可能性越大。

图5D以呕吐为因变量，绘制了SHAP蜂群图。结果表明，术后PCA泵配方（SH 1）是影响呕吐评分的首要因素，较高的SHAP值对应较高的特征值。术中恶心和呕吐（SZ5）同样显著，SHAP值越高，表明其与术后呕吐的相关性越强。

图5E和图5F分别以恶心和呕吐为因变量，展示了SHAP热图，分析了前50个样本。颜色越深表示SHAP绝对值越大，即影响因素越显著。每个热图中的顶部曲线展示了单个样本的影响，直观反映了不同因素对模型的具体贡献。

图5 MLPIAAR模型预测PONV的结果和SHAP解释

图6对产妇术后PCA按压频率、PCA消耗量和患者满意度进行相关分析和回归预测。图6A显示PCA按压频率、PCA消耗、PCA产妇满意度和影响术后镇痛的12个最重要因素之间的相关性。研究结果表明，术后接受双氯芬酸钠或手术时间较长的产妇PCA按压频率较高。PCA消耗量与PCA按压次数（y4）、患者术后是否使用双氯芬酸钠（SH 2）、患者术中是否使用地塞米松（SZ8）和手术持续时间（SZ1）相关，相关系数为0.73（P < 0.001）、0.07（0.01 < P < 0.05）、0.08（0.01 < P < 0.05）和0.07（0.01 < P < 0.05）。这些结果表明PCA消耗和PCA按压频率之间的强正相关性。此外，术后使用双氯芬酸钠、手术时间较长或手术期间使用地塞米松的产妇显示PCA消耗量增加。患者满意度与PCA用量（y5）、术后双氯芬酸钠使用（SH2）和术前EPDS评分（SQ 4）相关，相关系数分别为0.14（P < 0.001）、-0.11（0.001 < P < 0.01）和0.10（0.001 < P < 0.01）。这些结果表明：较高的PCA消耗量与患者满意度增加相关；较高的术前EPDS评分与较高的满意度呈正相关。

图6 剖宫产术后PCA按压次数、PCA消耗量与患者满意度的相关性分析及回归预测结果

结论

通过十倍交叉验证和网格搜索优化方法成功构建了性能优异的MLPIAAR预测模型。关键研究发现：术中联合应用地塞米松与氟比洛芬酯可显著降低产妇术后镇痛不足及恶心呕吐发生率。术前妊娠期高血压和术中寒战会增加术后恶心呕吐风险，而氢吗啡酮自控镇痛与术中恶心呕吐则会增加术后呕吐概率。地塞米松与氟比洛芬酯的联用方案不仅能有效控制产妇术后镇痛不足和恶心呕吐，且这两种药物临床普及度高、价格低廉，不会增加患者治疗成本。综上所述，产科手术中推荐常规采用地塞米松联合氟比洛芬酯的用药方案以提升镇痛质量。

产麻新谭·点评

机器学习技术通过提供精准诊断和临床决策支持，为提升患者医疗护理质量及改善预后带来了新的希望。多项研究已充分证明了机器学习在预测患者预后和优化临床管理方面的显著价值[6-8]。然而，该技术在预测产妇术后疼痛及不良反应方面的应用仍存在较大探索空间。

基于上述评估结果，这项研究将MLPIAAR模型应用于分析产妇术后镇痛不足、恶心呕吐、患者自控镇痛（PCA）按压频率、PCA用药量及患者满意度等关键临床指标，结果表明，地塞米松联合氟比洛芬酯用药、术后使用双氯芬酸钠、地塞米松单用、阻滞平面以及平均手术时长是最具预测价值的五大特征。其中，地塞米松与氟比洛芬酯的联合用药被证实是预测产妇术后镇痛不足的关键因素。

尽管单次剂量的地塞米松能够改善视觉模拟评分（VAS）并减少阿片类药物用量，但其对术后疼痛的缓解仍然有限，通常需要与对乙酰氨基酚或布洛芬等非甾体抗炎药联用以增强效果。该研究进一步强调了地塞米松联合氟比洛芬酯在降低择期剖宫产术后镇痛不足及术后恶心呕吐方面的显著有效性。这些研究结果为将该联合用药方案纳入剖宫产术后镇痛指南提供了科学依据。

参考文献

[1]Zhang Y, Betran AP, Li X, et al. What is an appropriate caesarean delivery rate for China: a multicentre survey. BIOG 2022;129:138–47.

[2]Sun J, Li N, Liu B, et al. Efficacy and safety of patient-controlled intravenous analgesia after APS team standardized postoperative pain management: a 6-year experience of an acute pain service in 107802 Chinese patients. Heliyon 2024;10:e24387

[3]Macones GA, Caughey AB, Wood SL, et al. Guidelines for postoperative care in cesarean delivery: enhanced recovery after surgery (ERAS) society recommendations (part 3). Am J Obstet Gynecol 2019;221:247.e1–247.e9.

[4]Combs CA, Robinson T, Mekis C, et al. Enhanced recovery after cesarean: impact on postoperative opioid use and length of stay. Am J Obstet Gynecol 2021;224:237–39.

[5]Zhang K, Jiao B, Sun J, et al. Predicting high-risk factors for postoperative inadequate analgesia and adverse reactions in cesarean delivery surgery: a prospective study.Int J Surg. 2025;111(6):3859-75.

[6]Sun R, Li S, Wei Y, et al. Development of interpretable machine learning models for prediction of acute kidney injury after noncardiac surgery: a retrospective cohort study. Int J Surg 2024;110:2950–62.

[7]Ren Y, Loftus TJ, Datta S, et al. Performance of a machine learning algorithm using electronic health record data to predict postoperative complications and report on a mobile platform. JAMA Network Open 2022;5:e2211973.

[8]Jin Y, Li W, Wu Y, et al. Online interpretable dynamic prediction models for clinically significant posthepatectomy liver failure based on machine learning algorithms: a retrospective cohort study. Int J Surg 2024;110:7047-57.