Journal of Liver Transplantation：一个简单的机器学习衍生规则以促进肝脏移植中的ERAS途径

手术后增强恢复（ERAS）是一种基于证据的多模式方法，广泛应用于许多手术领域（结肠直肠、肝脏、胰腺手术。肝移植（LT）中的ERAS是此类围手术期策略的一个相对较新的应用领域，旨在最大限度地减少手术压力，并加快患者恢复“正常”生活。然而，LT是一个特别具有挑战性的环境。尽管在患者存活率方面取得了良好的成果，但由于术前合并症和候选人的脆弱性以及复杂的术中和术后管理问题，LT通常与相关并发症有关。

ERAS协议在LT中的应用演示了更短的重症监护室（ICU）和住院时间，并减少了输血要求。这些令人鼓舞的结果最近在低风险和中风险患者中重新提出。有趣的是，在三分之一的移植患者中，“教科书结果”（TO）也是可能的。最近的两份共识文件涉及LT中的ERAS，并提出了一套建议，将在LT围手术期通过。这些措施应理想地适用于所有LT收件人。

然而，在现实生活中，ERAS可以可靠地考虑并仅在部分候选人中应用。开发新的ERAS计划的肝脏移植中心可能会有兴趣选择在早期阶段对ERAS建议有有利地位的患者，同时对新方法有信心。然后，williamhill asia 的调查范围是定义那些病程不复杂导致早期出院的患者的特征。

为此，2023年8月30日发表在Journal of Liver Transplantation的文章，分析了在多中心LT数据库（DB）中收集的数据，比较了移植后住院时间相对较短（12天）的患者和超过这段时间的患者。从与短期停留相关的最相关特征开始，williamhill asia 的目标是得出一个简单的临床规则，以选择更有可能忍受专用ERAS途径的移植患者。

在这项研究中，使用专门用于LT（Petalo Trapianto Fegato）的意大利多中心数据库，williamhill asia 比较了一组LT后住院时间相对较短（LHoS）的患者（12天，569名患者）与超过LHoS的一组（1017名患者）。主要目的是找到一个临床规则来选择能够安全、成功地获得ERAS途径的患者。williamhill asia 使用几种机器学习技术来找到预测短LHoS的最佳模型。williamhill asia 使用逻辑回归和博鲁塔随机森林来选择要包含在预后评分中的最重要特征。

研究结果显示，根据williamhill asia 的结果，在LT后早期，当MELDNa小于10或MELDNa在10至17之间，患者在术中接受≤5单位的包装红细胞时，ERAS通路可能会被自信地考虑在LT后早期（准确度为72%，敏感性78%，特异性66%，阳性预测值为78%）。

图1：Boruta可变重要性

综上所述，这项研究产生了一个简单的一般规则，用于选择可能从ERAS方法中持续受益的患者，即在LT后减少LHoS和安全性方面。这可以被认为是在LT（ERALT）中引入ERAS计划的起点，这是通过临床医生的信心和患者的满意度更广泛采用ERAS建议的基本步骤。

原文出处

Skurzak, S., Bonini, A., Cerchiara, P., Laici, C., De Gasperi, A., Prosperi, M., ... & Finazzi, S. (2023). A simple machine learning-derived rule to promote ERAS pathways in Liver Transplantation. Journal of Liver Transplantation, 100179.