术后神志不清(POD)是术后常见并发症，影响患者康复和增加医疗成本。近期，CNSNeuroscienceandTherapeutics杂志上发表了一项研究，旨在利用机器学习预测退行性脊柱疾病患者术后POD。本研究通过回顾性分析663例患者的数据，识别关键变量，并开发了9种预测模型。最终，研究者选择并优化了XGBoost模型，并为其构建了一个在线网页计算器，以提高临床实用性。研究团队首先对患者数据进行了收集，排除了过去12个月内有严重精神疾病、术前谵妄等的患者。数据集被随机分为训练集、验证集和测试集，以确保模型的泛化能力。通过LASSO回归筛选出12个关键特征，并使用XGBoost模型进行预测。该模型在AUROC、Brier评分和DCA等指标上表现优异，成为POD预测的首选工具。研究发现，年龄、高血压、吸烟史、既往疾病、术前白蛋白水平、术中血压、术中失血量、术前CRP值和AIMBPD等因素与POD的发生显著相关。基于这些信息，XGBoost模型实现了较高的预测准确率，预测概率的最优截止值为29.53%。模型预测值在验证集和测试集中得到了验证，证明了其在临床应用中的可行性。研究者还开发了一个基于网络的工具，方便临床医生利用XGBoost模型预测POD风险。该工具可以实时提供患者术后POD的预测概率，帮助医生和护理人员提前识别高风险患者并采取相应的预防措施。此外，模型的在线计算器简化了预测过程，使临床决策更加便捷。尽管这项研究在POD预测方面取得了显著进展，但仍存在局限性。首先，模型主要基于躁狂型POD，静默型POD的识别和预测尚需进一步研究。其次，样本量相对较小，可能影响模型的泛化能力。第三，模型的有效性可能受到不同医疗机构数据差异的影响，需要外部验证数据集来进一步校准和优化。最后，模型的外推能力需通过更大规模、多中心的研究来验证。总之，这项研究展示了机器学习在预测术后POD方面的潜力，并为临床实践提供了实用的工具。未来的研究应聚焦于解决模型局限性、扩大应用范围和验证模型在不同医疗环境下的表现，以进一步提高POD预测的准确性和临床价值。