亮点
- 开发了 PRO-TONGUE，一种基于人工智能（Artificial Intelligence, AI）的风险预测工具，用于评估舌癌手术后30天内个体化并发症风险。
- 采用包括 XGBoost 和 LightGBM 在内的先进机器学习（Machine Learning, ML）技术，提高了多种并发症结局的预测准确性。
- ML 模型的表现与美国外科医师学会国家手术质量改进计划（American College of Surgeons National Surgical Quality Improvement Program, ACS-NSQIP）风险计算器相当，甚至更优，尤其是在预测需输血的出血方面。
- PRO-TONGUE 可提供具有可解释性的、按结局区分的风险估计，有助于术前规划和共同决策。
研究背景
舌癌由于其较高的发病负担以及对言语、吞咽等关键功能的影响，构成了重要的临床挑战。包括舌切除术（glossectomy）和重建在内的手术切除，仍是其核心治疗方式。然而，这些手术伴随较高的术后并发症风险，可影响恢复、延长住院时间，并损害长期结局。传统风险分层工具，如美国外科医师学会国家手术质量改进计划（ACS-NSQIP）风险计算器，可提供基于人群的估计，但对这一复杂患者群体缺乏足够的个体化精确度。因此，亟需能够提供个体化风险评估的预测模型，以指导术前规划和围手术期管理。
研究设计
本项回顾性队列研究使用了 ACS-NSQIP 数据库 2008年至2024年的数据，涵盖美国境内700余家医院。研究人群包括8,266例因舌部恶性肿瘤接受舌切除术的成人患者。研究纳入31项术前临床变量，用于训练多种预测模型：Logistic 回归以及5种机器学习（ML）模型，即神经网络、支持向量机分类器、LightGBM、XGBoost 和堆叠泛化（stacked generalization）。
2008年至2023年的数据按85%训练集和15%验证集进行划分，2024年的数据作为独立测试集。术后30天评估的主要结局包括手术部位感染、需输血的出血、肺炎、非计划再手术、任何并发症以及严重并发症。采用受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUROC）、精确率-召回率曲线下面积（area under the precision-recall curve, AUPRC）、Brier 评分校准度以及基于风险分层（lift）的临床实用性等指标，将模型性能与 ACS-NSQIP 风险计算器进行比较。
主要发现
研究对象中位年龄为63岁，男性占59.2%。部分舌切除术最为常见（74.2%），其次为小范围切除（15.4%）、复合/扩大舌切除术（9.5%）和全舌切除术（4.1%）。术后并发症并不少见：30天内17.3%的患者出现任何并发症，14.5%的患者出现严重并发症。具体不良事件包括非计划再手术（8.6%）、手术部位感染（6.2%）、需输血的出血（6.6%）和肺炎（3.2%）。
不同结局对应的最佳预测模型并不相同：在预测出血、严重并发症和任何并发症方面，XGBoost 表现最佳；而在预测非计划再手术、手术部位感染和肺炎方面，LightGBM 更具优势。总体而言，ML 模型展现出优异的区分能力（需输血的出血预测 AUROC 为0.88–0.90），且与 Logistic 回归及 ACS-NSQIP 计算器相比，其精确率-召回率指标相当或更优。值得注意的是，需输血的出血预测——这一现有 ACS-NSQIP 工具未涉及的新结局——显示出最高的模型性能。
新开发的 PRO-TONGUE 工具整合了这些 ML 模型，可提供按结局区分的个体化风险预测，从而增强临床可解释性，并提升其在手术决策中的应用价值。
专家点评
将机器学习引入舌癌手术围手术期风险预测，代表了一项重要进展。与传统风险计算器相比，ML 模型能够捕捉临床变量之间复杂的非线性相互作用，从而提高预测准确性。PRO-TONGUE 工具的公开可用性，使临床医生能够将数据驱动的洞见用于患者沟通、手术规划及术后管理路径制定。
不过，仍需谨慎看待其在 ACS-NSQIP 数据库人群之外的泛化能力，以及该研究固有的回顾性设计。仍需前瞻性和外部验证研究，以确认其在不同临床环境和患者人群中的稳健性。此外，对 ML 生成的风险估计保持透明，并加强临床医生对其解读的培训，对于避免误用同样至关重要。
从生物学角度看，XGBoost 等 ML 模型能够优先识别与凝血功能障碍、营养状态和肿瘤范围相关的特征，这为机制理解和围手术期针对性优化提供了机会。
结论
这项大样本、具代表性的研究表明，机器学习模型能够准确预测舌癌舌切除术后30天内的主要并发症。PRO-TONGUE 风险计算器借助按结局优化的算法，可提供个体化、可解释的风险估计，或有助于改善术前风险分层并指导临床决策。未来研究应重点关注前瞻性验证、纳入更多生物标志物和影像学数据，以及将 AI 工具整合进多学科头颈肿瘤诊疗流程，以进一步改善患者结局。
资金来源与 ClinicalTrials.gov
本研究未说明外部资助来源。由于本研究为回顾性队列分析，ClinicalTrials.gov 注册不适用。
参考文献
1. Matar DY, et al. Artificial Intelligence-Based Risk Prediction Models for Complications After Tongue Cancer Surgery. JAMA Otolaryngol Head Neck Surg. 2026;152(8):797-809. doi:10.1001/jamaoto.2026.3412
2. Bilimoria KY, et al. Development and Evaluation of the American College of Surgeons NSQIP Surgical Risk Calculator: A Decision Aid and Informed Consent Tool for Patients and Surgeons. J Am Coll Surg. 2013;217(5):833-42.
3. Lundberg SM, et al. A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems. 2017;30:4765-4774.
4. Wulff-Burchfield E, et al. Machine Learning-based Prediction Models for Head and Neck Cancer Outcomes: A Systematic Review. Oral Oncol. 2022;131:106083.