基于不同机器学习方法构建老年脊柱手术患者术后谵妄的预测模型

doi:10.3969/j.issn.1006-5725.2026.17.010

实用医学杂志 ›› 2026, Vol. 42 ›› Issue (17): 3119-3126.doi: 10.3969/j.issn.1006-5725.2026.17.010

基于不同机器学习方法构建老年脊柱手术患者术后谵妄的预测模型

俞芸芸¹, 郑芳¹, 丁伟民¹, 方佳伟², 杨庆³, 王传光¹()

^1. 温州医科大学附属第五医院，丽水市中心医院，麻醉科，（浙江丽水 323000 ）
^2. 温州医科大学附属第五医院，丽水市中心医院，脊柱外科，（浙江丽水 323000 ）
^3. 温州医科大学附属第五医院，丽水市中心医院，放射科，（浙江丽水 323000 ）

收稿日期:2026-06-09 出版日期:2026-09-10 发布日期:2026-10-10
通讯作者: 王传光
基金资助:
浙江省医药卫生科技计划项目(2025KY1946)

Prediction model for postoperative delirium in elderly patients undergoing spinal surgery based on various machine learning methods

Yunyun Yu¹, Fang Zheng¹, Weimin Ding¹, Jiawei Fang², Qing Yang³, Chuanguang Wang¹()

^1. Department of Anesthesiology，Lishui Municipal Central Hospital，the Fifth Affiliated Hospital of Wenzhou Medical University，Lishui 323000，Zhejiang，Chin
^2. Department of Spine Surgery，Lishui Municipal Central Hospital，the Fifth Affiliated Hospital of Wenzhou Medical University，Lishui 323000，Zhejiang，Chin
^3. Department of Radiology，Lishui Municipal Central Hospital，the Fifth Affiliated Hospital of Wenzhou Medical University，Lishui 323000，Zhejiang，China

Received:2026-06-09 Online:2026-09-10 Published:2026-10-10
Contact: Chuanguang Wang
About author:
Yu Yunyun performed the experiments and wrote the article. Zheng Fang performed the experiments. Ding Weimin， Fang Jiawei， and Yang Qing revised the article. Wang Chuanguang designed the study and reviewed the article. All authors read and approved the final manuscript as submitted.

摘要/Abstract

摘要：

目的基于机器学习方法构建老年脊柱手术患者术后谵妄（POD）的预测模型，并比较不同算法的预测效能。方法本研究为回顾性研究，纳入2018年1月至2025年5月在医院接受脊柱手术的老年患者809例，并按8∶2随机分为训练集和验证集。通过最小绝对收缩与选择算子（LASSO）回归分析筛选老年脊柱手术患者POD的预测因素，采用合成少数类过采样技术（SMOTE）算法处理类别不平衡问题，并构建9种机器学习模型。绘制ROC曲线以评估不同机器学习模型在验证集中的预测效能。利用沙普利加解释法对预测效能最优的模型进行可解释分析，并对特征变量的重要性进行排序。结果年龄、糖尿病、脑血管疾病、饮酒史、白蛋白、术中低血压、术中失血量、手术时间、麻醉时间和术中七氟醚用量在两组间差异有统计学意义（P < 0.05）。LASSO分析显示，年龄、糖尿病、白蛋白、术中低血压、术中七氟醚用量和手术时间是老年脊柱手术患者POD的预测因素。在9种机器学习模型中，轻量级梯度提升机模型效能最优，AUC为0.928。特征重要性排序结果显示，白蛋白对预测POD的贡献度最大。结论基于轻量级梯度提升机建立的老年脊柱手术患者POD模型具有较好的预测效能，可为高危患者的早期识别和围手术期干预提供参考。

关键词: 脊柱手术, 谵妄, 机器学习, 围手术期管理

Abstract:

Objective This study aims to develop machine learning-based prediction models for postoperative delirium （POD） in elderly patients undergoing spinal surgery， and to compare the predictive performance of different algorithms. Methods This retrospective study enrolled 809 elderly patients who underwent spinal surgery at our hospital between January 2018 and May 2025. All patients were randomly divided into a training set and a validation set at an 8：2 ratio. Least absolute shrinkage and selection operator （LASSO） regression analysis was applied to identify potential predictive factors for POD， the synthetic minority oversampling technique （SMOTE） algorithm was adopted to resolve the class imbalance issue， and nine machine learning models were subsequently constructed. Receiver operating characteristic （ROC） curves were generated to assess the predictive performance of the established models in the validation set. SHapley Additive exPlanations （SHAP） analysis was utilized to interpret the best-performing model and rank the importance of each feature variable. Results Statistically significant differences （P < 0.05） were observed between the study groups in age， prevalence of diabetes， prevalence of cerebrovascular disease， drinking history， albumin level， intraoperative hypotension， intraoperative blood loss， duration of surgery， duration of anesthesia， and intraoperative sevoflurane dosage. LASSO regression analysis identified age， diabetes， albumin level， intraoperative hypotension， intraoperative sevoflurane dosage， and duration of surgery as independent predictive factors for POD in elderly patients undergoing spinal surgery. Among the nine tested machine learning models， the Light Gradient Boosting Machine model achieved the optimal predictive performance， with an area under the receiver operating characteristic curve （AUC） of 0.928. Feature importance ranking indicated that albumin made the greatest contribution to POD prediction. Conclusion The prediction model for postoperative delirium in elderly patients undergoing spinal surgery based on Light Gradient Boosting Machine demonstrates good predictive performance and can provide a reference for the early identification of high-risk patients and the formulation of perioperative intervention strategies.

Key words: spinal surgery, delirium, machine learning, perioperative management

中图分类号:

R614

俞芸芸, 郑芳, 丁伟民, 方佳伟, 杨庆, 王传光. 基于不同机器学习方法构建老年脊柱手术患者术后谵妄的预测模型[J]. 实用医学杂志, 2026, 42(17): 3119-3126.

Yunyun Yu, Fang Zheng, Weimin Ding, Jiawei Fang, Qing Yang, Chuanguang Wang. Prediction model for postoperative delirium in elderly patients undergoing spinal surgery based on various machine learning methods[J]. The Journal of Practical Medicine, 2026, 42(17): 3119-3126.

图/表 1

表1

训练集中两组患者的临床资料比较 (M（P 25，P 75）)"

指标	POD组（n = 152）	非POD组（n = 495）	χ ²/t/Z值	P值
男性/［例（%）］	94（61.8）	334（67.5）	1.490	0.222
年龄（x ± s）/岁	66.22 ± 9.03	63.18 ± 9.75	3.412	< 0.001
BMI（x ± s）/（kg/m²）	23.24 ± 2.37	23.09 ± 2.45	0.687	0.492
受教育程度/［例（%）］			0.692	0.405
初中及以下	112（73.7）	381（77.0）
初中以上	40（26.3）	114（23.0）
高血压/［例（%）］	78（51.3）	240（48.5）	0.373	0.541
糖尿病/［例（%）］	42（27.6）	89（18.0）	6.709	0.010
肺部疾病/［例（%）］	6（3.9）	11（2.2）	0.762	0.383
脑血管疾病/［例（%）］	30（19.7）	53（10.7）	8.479	0.004
冠心病/［例（%）］	103（67.8）	349（70.5）	0.415	0.519
吸烟史/［例（%）］	65（42.8）	226（45.7）	0.393	0.531
饮酒史/［例（%）］	57（37.5）	116（23.4）	11.745	< 0.001
心功能分级/例（%）			0.288	0.592
Ⅰ—Ⅱ级	69（45.4）	237（47.9）
Ⅲ—Ⅳ级	83（54.6）	258（52.1）
MMSE评分（x ± s）/分	27.75 ± 1.46	27.93 ± 1.54	-1.272	0.204
白细胞计数（x ± s）/（× 10⁹/L）	4.37 ± 0.56	4.43 ± 0.51	-1.267	0.260
血红蛋白/（g/L）	126.0（117.8，136.6）	129.1（118.4，142.3）	-1.993	0.053
白蛋白/（g/L）	37.8（34.7，40.4）	40.9（38.2，43.1）	-9.216	< 0.001
谷草转氨酶/（U/L）	19.5（6.5，53.8）	18.0（10.3，51.0）	0.650	0.403
C-反应蛋白/（mg/L）	3.9（3.1，4.5）	3.8（2.9，4.2）	0.169	0.866
红细胞沉降率/（mm/h）	28.5（22.4，36.5）	26.3（21.1，31.2）	1.229	0.219
手术部位/［例（%）］			0.870	0.647
颈椎	49（32.2）	161（32.5）
胸椎	18（11.8）	46（9.3）
腰椎	85（55.9）	288（58.2）
术中低血压/［例（%）］	55（36.2）	82（16.6）	26.816	< 0.001
术中失血量/mL	342.7（297.3，384.2）	304.6（259.3，346.2）	5.730	< 0.001
手术时间/min	173.3（162.1，190.1）	153.3（136.8，170.8）	7.250	< 0.001
麻醉时间/min	197.5（167.2，225.9）	181.5（151.2，208.0）	3.903	< 0.001
拔管时间/min	11.9（9.3，15.4）	11.5（7.8，13.8）	1.379	0.168
术中药物使用量
丙泊酚/mg	1 040.3（813.7，1 236.5）	1 026.9（787.4，1 191.5）	0.442	0.572
七氟醚/mL	5.8（3.4，9.1）	3.6（1.4，6.5）	6.147	< 0.001
瑞芬太尼/μg	312.3（281.7，361.2）	326.7（292.9，378.1）	-0.704	0.481
顺式阿曲库铵/mg	14.8（9.7，19.6）	12.6（8.3，17.4）	0.311	0.156
咪达唑仑/mg	4.1（2.7，5.5）	4.4（3.2，5.7）	-1.192	0.208

表1

参考文献 27

[1]	Helgeson M D， Pisano A J， Fredericks D R， et al. What′s new in spine surgery［J］. J Bone Jt Surg， 2024， 106（12）： 1035-1040. doi：10.2106/jbjs.24.00133 .
[2]	《老年脊柱手术患者围手术期常见问题多学科管理指南》工作组，中国医师协会骨科医师分会颈椎学组，中国医疗保健国际交流促进会脊柱医学分会，等. 老年脊柱手术患者围手术期常见问题多学科管理指南［J］. 中华骨与关节外科杂志， 2023， 16（11）： 961-980. doi：10.3969/j.issn.2095-9958.2023. 11.01 .
[3]	李汉明，李广州，王清，等. 老年患者颈椎手术后发生谵妄的危险因素分析［J］. 中国脊柱脊髓杂志， 2024， 34（5）： 463-468. doi：10.3969/j.issn.1004-406X.2024.05.03 .
[4]	Sretavan A， Buren M， Tahir P， et al. A systematic review and meta-analysis on ketamine use and postoperative delirium in older patients undergoing spine or orthopedic surgery［J］. Anesthesiol Perioper Sci， 2026， 4（1）： 2. doi：10.1007/s44254-025-00145-y .
[5]	Pawar N， Zhou S， Duarte K， et al. Intraoperative burst suppression by analysis of raw electroencephalogram postoperative delirium in older adults undergoing spine surgery： A retrospective cohort study［J］. J Neurosurg Anesthesiol， 2026， 38（1）： 68-75. doi：10.1097/ana.0000000000001015 .
[6]	Kunicki Z J， Ngo L H， Marcantonio E R， et al. Six-year cognitive trajectory in older adults following major surgery and delirium［J］. JAMA Intern Med， 2023， 183（5）： 442-450. doi：10.1001/jamainternmed.2023.0144 .
[7]	Zhang Shan， Tao Xiangjun， Ding Shu， et al. Associations between postoperative cognitive dysfunction， serum interleukin-6 and postoperative delirium among patients after coronary artery bypass grafting： A mediation analysis［J］. Nurs Crit Care， 2024， 29（6）： 1245-1252. doi：10.1111/nicc.13081 .
[8]	D’Amico F， Turi S， Manazza M， et al. Interventions to prevent postoperative neurocognitive complications： An umbrella review of meta-analyses of randomised controlled trials［J］. Anaesthesia， 2026， 81（4）： 532-540. doi：10.1111/anae.70061 .
[9]	Shelley B， Shaw M. Machine learning and preoperative risk prediction： The machines are coming［J］. Br J Anaesth， 2024， 133（5）： 925-930. doi：10.1016/j.bja.2024.07.015 .
[10]	Zhang Meng， Zheng Yongqi， Maidaiti X， et al. Integrating machine learning into statistical methods in disease risk prediction modeling： A systematic review［J］. Health Data Sci， 2024， 4： 0165. doi：10.34133/hds.0165 .
[11]	Eloranta S， Boman M. Predictive models for clinical decision making： Deep Dives in practical machine learning［J］. J Intern Med， 2022， 292（2）： 278-295. doi：10.1111/joim.13483 .
[12]	Jung J W， Hwang S， Ko S， et al. A machine-learning model to predict postoperative delirium following knee arthroplasty using electronic health records［J］. BMC Psychiatry， 2022， 22（1）： 436. doi：10.1186/s12888-022-04067-y .
[13]	王小锋，蔡宁，王建彭，等. 基于机器学习构建全髋置换术患者术后谵妄风险的预测模型［J］. 临床麻醉学杂志， 2025， 41（10）： 1021-1027. doi：10.12089/jca.2025.10.003 .
[14]	Chen Daiyu， Wang Weijia， Wang Siqi， et al. Predicting postoperative delirium after hip arthroplasty for elderly patients using machine learning［J］. Aging Clin Exp Res， 2023， 35（6）： 1241-1251. doi：10.1007/s40520-023-02399-7 .
[15]	Luo Mingjiang， Wang Di， Shi Yuxin， et al. Risk factors of postoperative delirium following spine surgery： A meta-analysis of 50 cohort studies with 1.1 million participants［J］. Heliyon， 2024， 10（3）： e24967. doi：10.1016/j.heliyon.2024.e24967 .
[16]	Zhang Yu， Wan Donghua， Chen Min， et al. Automated machine learning-based model for the prediction of delirium in patients after surgery for degenerative spinal disease［J］. CNS Neurosci Ther， 2023， 29（1）： 282-295. doi：10.1111/cns.14002 .
[17]	Austin P C， White I R， Lee D S， et al. Missing data in clinical research： A tutorial on multiple imputation［J］. Can J Cardiol， 2021， 37（9）： 1322-1331. doi：10.1016/j.cjca.2020.11.010 .
[18]	吴晓彬，邱灿金，刘孝国，等. 脊柱手术患者术后谵妄的危险因素分析［J］. 临床麻醉学杂志， 2022， 38（9）： 920-925. doi：10.12089/jca.2022.09.005 .
[19]	Choi H， Park C S， Huh J， et al. Intraoperative glycemic variability and mean glucose are predictors for postoperative delirium after cardiac surgery： A retrospective cohort study［J］. Clin Interv Aging， 2022， 17： 79-95. doi：10.2147/CIA.S338712 .
[20]	Wang Yue， Wang Bingjie. Risk factors of delirium after cardiac surgery： A systematic review and meta-analysis［J］. J Cardiothorac Surg， 2024， 19（1）： 675. doi：10.1186/s13019-024-03156-1 .
[21]	詹艳，罗水花. 老年股骨骨折手术患者并发谵妄风险预测模型的建立与验证［J］. 中国烧伤创疡杂志， 2025， 37（4）： 314-318. doi：10.3969/j.issn.1001-0726.2025.04.016 .
[22]	Li Mengyuan， Hu Yan， Cheng Zhonggui， et al. GRIN2B alleviates mid-gestational sevoflurane exposure-induced early differentiation of rat neural stem cells by interacting with KIF17［J］. J Cell Commun Signal， 2025， 19（2）： e70024. doi：10.1002/ccs3.70024 .
[23]	郄晓娟，李清开，刘颖，等. 基于补体C3及TGFβ1/Smad信号通路探究七氟烷麻醉对老龄小鼠突触可塑性及工作记忆力损伤的机制［J］. 实用医学杂志， 2023， 39（2）： 204-208. doi：10.3969/j.issn.1006-5725.2023.02.014 .
[24]	Kong Dequn， Luo Weihua， Zhu Zhijun， et al. Factors associated with post-operative delirium in hip fracture patients： What should we care［J］. Eur J Med Res， 2022， 27（1）： 40. doi：10.1186/s40001-022-00660-9 .
[25]	徐梦馨，王唯，戴荣兄. 基于新型炎症复合评分构建预测腰椎骨折患者术后谵妄的列线图模型［J］. 实用医学杂志， 2023， 39（18）： 2306-2311. doi：10.3969/j.issn.1006-5725.2023.18.004 .
[26]	Wang Wei， Yao Wei， Tang Wanyun， et al. Glucose-to-albumin ratio as a new predictive indicator for postoperative delirium in geriatric hip fracture patients［J］. J Arthroplasty， 2025， 40（6）： 1573-1581.e4. doi：10.1016/j.arth.2024.11.037 .
[27]	Lee H， Ahn T， Park S， et al. Risk factors for postoperative delirium in nonintensive care unit patients： Machine learning approach［J］. Comput Inform Nurs， 2026. doi：10.1097/CIN. 0000000000001463 .

基于不同机器学习方法构建老年脊柱手术患者术后谵妄的预测模型

Prediction model for postoperative delirium in elderly patients undergoing spinal surgery based on various machine learning methods

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 1

参考文献 27

相关文章 15

编辑推荐

Metrics

本文评价

[1]	仇晓蕊,张译丹,杨国锋. 多模态人工智能在阿尔茨海默病早期诊断中的应用：现状、挑战与临床转化路径[J]. 实用医学杂志, 2026, 42(9): 1579-1585.
[2]	江逸豪,孙合亮,蔡永亮,杨建军,王忠云. 右美托咪定通过影响神经免疫减少肝脏手术后谵妄的机制与临床应用[J]. 实用医学杂志, 2026, 42(8): 1479-1484.
[3]	周游,陈纪飞,何希,刘爱梅,杨小兵,黄一芳. 运用机器学习构建肺癌与肺结核鉴别诊断模型[J]. 实用医学杂志, 2026, 42(7): 1158-1164.
[4]	蒋艳,王国徽,宋沧桑,张函舒,李兴德. 成人肝移植术后他克莫司个体化治疗的研究进展[J]. 实用医学杂志, 2026, 42(7): 1294-1300.
[5]	刘咏思,邓颖敏,玛尔苏,李蕊菁,施雯,陈楚云. 基于炎症指数SII和SIRI构建2型糖尿病肾脏疾病风险预测模型[J]. 实用医学杂志, 2026, 42(2): 266-275.
[6]	武萍萍, 王晗, 陆长艳, 陈安强, 于昊. 基于基线临床特征及CT灌注成像的机器学习模型预测保守治疗急性缺血性脑卒中预后价值[J]. 实用医学杂志, 2026, 42(17): 3092-3102.
[7]	刘杰, 何广志, 沙卫红. 基于加速度计活动行为表型与心血管疾病风险的关联研究：衰弱状态的影响及代谢组学特征[J]. 实用医学杂志, 2026, 42(16): 2908-2917.
[8]	尤奕铭, 江丽, 罗彩虹, 邹展声, 余常辉, 蔡绍曦. 慢性阻塞性肺疾病急性加重风险预测研究进展：从宏观临床评分到多模态融合与临床转化[J]. 实用医学杂志, 2026, 42(16): 2918-2925.
[9]	谢小娟,刘家伟,柏效治,赵震东. 血清sCD22与sCD40L联合检测对老年骨科大手术患者术后谵妄的预测价值[J]. 实用医学杂志, 2026, 42(15): 2817-2823.
[10]	张忠琦,张雅婕,梁子怡,徐俊杰,路洋,沙壮,梁君. 基于凝血功能紊乱评分的创伤性脑损伤患者早期急性肾损伤风险列线图预测模型[J]. 实用医学杂志, 2026, 42(14): 2521-2532.
[11]	高升润,李晨,王亮,李克忠,刘娜,高成杰,李芸. 术前血浆总胆固醇水平预测食管癌切除患者术后谵妄的价值[J]. 实用医学杂志, 2025, 41(7): 1004-1009.
[12]	李天远,田影,龙鼎德,董洋,傅欢. 基于床旁肺与膈肌超声构建可解释机器学习模型对胃肠道肿瘤手术患者术前肺功能的预测价值[J]. 实用医学杂志, 2025, 41(24): 3929-3940.
[13]	杨秀冬,刘星,刘鑫,姜岩,王维,何宗斌,黄沙,文美红,刘亚珍. 腹腔镜下根治性前列腺切除术后淋巴漏风险预测模型的构建与验证[J]. 实用医学杂志, 2025, 41(21): 3378-3384.
[14]	陈席,于贝贝,刘雨歌,赵伟,颜明. 瑞马唑仑与丙泊酚麻醉对胸腔镜手术的老年肺癌患者术后谵妄的影响[J]. 实用医学杂志, 2025, 41(19): 3089-3095.
[15]	王翠翠,乔万通,姚俊英,李倩,高维鸽,范旻. 营养控制状态评分联合预后营养指数评估老年结直肠癌患者合并贫血风险的临床应用价值[J]. 实用医学杂志, 2025, 41(17): 2696-2704.