PLAST RECONSTR SURG：基于监督式机器学习的新型预测模型用于术后游离皮瓣监测的可靠性

自20世纪60年代以来，游离组织移植已成为一种广泛开展且完善的修复显微外科手术。术后皮瓣监测一直是修复显微外科的关键部分。延迟发现受损的微循环可以导致毁灭性的皮瓣失活，皮瓣监测是基于对颜色、皮肤弹性、毛细血管充盈、表面温度和划痕试验的临床评估。这些测量是主观的，并且在很大程度上依赖于经过专门培训的工作人员。因此，在专科医生数量有限的地区，实施显微外科手术的可行性受到限制。基于监督式机器学习的预测模型具有较高的可靠性，已成为各个科学领域的首选问题的解决方法。在监督式机器学习中，使用包含输入和相应输出变量的数据训练模型，可以对未来的数据映射，因此，该模型可以预测新输入数据的结果。

Plastic and Reconstructive Surgery 最新的一篇研究报告，研究者在将人工智能应用于术后游离皮瓣监测，并验证机器学习预测和区分术后游离皮瓣循环类型的能力。

研究者前瞻性收集176例接受游离皮瓣手术患者的术后资料，包括游离皮瓣照片和临床评估措施。皮瓣循环指标包括正常、动脉功能不全和静脉功能不全。采用Synthetic Minority Oversampling Technique plus Tomek Links（SMOTE-Tomek）实现数据平衡。数据分为80%用于模型训练和20%用于验证。Shapley Additive Explanations用于模型的预测解释。

研究共纳入805个皮瓣，其中正常555个(69%)，动脉功能不全97个(12%)，静脉功能不全153个(19%)。基于随机森林建立了最有效的预测模型，预测准确率为98.4%。皮瓣与周围皮肤的温度和色差是预测皮瓣血管受损的最显著因素。

综上，研究证明了机器学习模型在区分不同类型的术后皮瓣循环方面的可靠性。这项新技术可以减轻游离皮瓣监测的负担，并鼓励在专业人员数量有限的地区更广泛地开展修复显微外科手术。

原始出处：Huang RW, Tsai TY, Hsieh YH, et al. Reliability of Postoperative Free Flap Monitoring with a Novel Prediction Model Based on Supervised Machine Learning. Plast Reconstr Surg. 2023;152(5):943e-952e. doi:10.1097/PRS.0000000000010307