垂体腺瘤发生在具有不同围手术期危险因素，内分泌病和其他肿瘤相关合并症的异质患者群体中。这种异质性使得在使用传统评分系统时预测术后结果具有挑战性。现代机器学习算法可以自动识别最具预测性的风险因素，并使用训练数据学习复杂的风险因素相互作用，以构建可以推广到新患者群组的强大预测模型。作者试图利用有监督的机器学习建立预测模型，以准确预测垂体腺瘤手术的早期结果。

使用了400名连续垂体腺瘤患者的回顾性队列。患者变量/预测特征限于常见的患者特征以改进模型实施。进行单变量和多变量比值比分析以确定常见术后并发症的个体风险因素，并将风险因素与模型预测因子进行比较。研究人群分为300名训练/验证患者和100名测试患者，使用二元分类准确度训练和评估四种机器学习模型，以预测早期结果。

该研究共包括400名患者。多变量优势比分析表明，年龄<40岁与术后尿崩症的概率相差2.86，而非肥胖患者发生术后低钠血症的可能性是后者的2.2倍。使用广泛的标准来预测术后早期结果不良 - 主要的医疗和早期手术并发症，延长住院时间，急诊科就诊，住院再入院和死亡 - 31.0%的患者符合早期预后不良的标准。使用机器学习方法可以预测垂体腺瘤手术的早期术后结果，准确率为87%。这些结果提供了深入了解如何使用机器学习进行预测建模来改善垂体腺瘤患者的围手术期处理。

他的能力来预测患者的治疗效果后，具体的治疗方法是提供最佳的手术护理的基础。垂体瘤由于患者群体之间的显着异质性而呈现独特的预测性挑战。这种异质性源于多样化的高风险患者群体和潜在的肿瘤病理生理学。垂体腺瘤可发生在任何年龄，年龄调整的发病率为15-75岁或年龄的患者。内分泌疾病，从功能腺瘤可产生严重的合并症的术前，如肥胖症，糖尿病，和心肌病的结果。经蝶窦手术治疗库欣病后的并发症发生率高达42%。然而，非功能性腺瘤更可能存在于老年患者中，这些患者可能有多种慢性疾病，可增加围手术期手术风险。垂体腺瘤患者的临床多样性使得使用传统的生物统计技术或评分系统来分层手术风险或预测术后结果具有挑战性，因为特定的患者特征很可能在整个患者群体中预测的重要性不同。

使用机器学习进行应用预测建模的进展提供了一种预测医疗保健结果的新方法。机器学习模型优于其他预测方法，因为机器学习使预测计算机模型能够自动学习训练数据中存在的最佳预测特征。与使用人工操作员手动识别这些时间和劳动密集的特征相反，机器学习模型可以自动识别最强大的预测特征，并且可以潜在地将该信息推广到新的患者群组。以前的研究已经使用这些方法来预测立体定向放射外科治疗脑转移和动静脉畸形的结果，分层心血管风险，预测死亡/再入院/住院时间，并预测癌症预后。

为了改善垂体腺瘤患者的围手术期处理和危险分层，研究人员旨在使用机器学习方法预测垂体腺瘤手术的早期结果。通过分析在三级医疗中心接受治疗的大量垂体腺瘤患者，研究人员寻求开发一种通过现代机器学习方法建立的准确预测模型，该模型将识别垂体腺瘤手术后早期结果不良的高风险患者。

研究结果表明，使用机器学习方法可以准确预测垂体腺瘤手术的早期结果。使用完整的患者队列，首先能够使用单变量和多变量优势比分析来确定常见的术后并发症的风险因素，包括尿崩症，低钠血症。通过使用大量垂体腺瘤患者训练机器学习分类器，随后能够识别高风险患者术后结果差。研究人员确定钠调节异常，年龄，肥胖，库欣病和性别是最具预测性的特征，用于对患者术后不良结果的风险进行分层。

该研究的主要动机是中枢神经系统肿瘤中垂体腺瘤的高患病率，以及缺乏任何有意义预测术后结果的系统。垂体腺瘤占所有新诊断脑肿瘤的约16%，并且是美国三大最常见的原发性中枢神经系统肿瘤之一。此外，它们是第二最常见的非恶性脑肿瘤手术切除作为潜在的治疗性治疗。而评分系统已经开发了使用放射学特征侵袭分为相邻结构和激素水平来预测治疗响应，没有开发出评分系统来全面包括患者特征并对手术风险进行分层。这种评分系统已被开发用于脑膜瘤，神经胶质瘤，脑转移，和动静脉畸形，以预测早期和长期结果。这些评分系统有助于确定手术适应症，改善患者咨询，术中决策和术后管理。

虽然评分系统可以很好地应用于同质的患者群体，例如在胶质母细胞瘤中看到的那些，但它们不太适合垂体腺瘤患者群体中发现的临床异质性。与胶质瘤和脑膜瘤不同，垂体腺瘤在脑肿瘤中是独特的，因为肿瘤的存在可以由于刺激或抑制神经内分泌轴而导致严重的全身性疾病。因此，围手术期风险可以源于肿瘤形态和继发性全身合并症，而不仅仅是病变形态。肿瘤形态，患者特征，与内分泌病相关的二级合并症需要一种更稳健的应用预测模型方法。机器学习方法提供了通过学习风险因素之间复杂的相互作用来提高预测准确性的机会。

机器学习技术在医疗保健中的应用在过去5年中有所增加，主要是由于更大的数据集，电子病历和更好的应用程序编程接口。利用上述工具，研究人员能够构建机器学习分类器，捕获垂体腺瘤患者的复杂风险因素相互作用，并提供术后早期结果的准确预测。通过比值比分析和模型特征的重要性，研究人员发现的一个复杂的相互作用是年龄，体重指数，肿瘤大小和术后钠调节异常。例如，发现年龄较小，微腺瘤和库欣病与术后尿崩症有关。其基本机制尚不清楚，但可能与年轻患者出现的微腺瘤和库欣病有关，这些微腺瘤的切除可能需要更多的脑垂体操作，以及随后的尿崩症，与老年患者中存在的非功能性大腺瘤相比。此外，尚不清楚作为独立危险因素的年龄和肥胖如何能够预防低钠血症。这种观察可以解释为前一个的倒数; 患有巨大腺瘤的非肥胖老年患者脑垂体操作较少，因此这些患者不易患尿崩症，但更容易患低钠血症。虽然任何解释这些结果的尝试都必须是试验性的，但高质量的训练数据允许机器学习模型识别这些复杂的相互作用和潜在变量，然后可以用来对新患者做出准确的预测。这种观察可以解释为前一个的倒数; 患有巨大腺瘤的非肥胖老年患者脑垂体操作较少，因此这些患者不易患尿崩症，但更容易患低钠血症。虽然任何解释这些结果的尝试都必须是试验性的，但高质量的训练数据允许机器学习模型识别这些复杂的相互作用和潜在变量，然后可以用来对新患者做出准确的预测。这种观察可以解释为前一个的倒数; 患有巨大腺瘤的非肥胖老年患者脑垂体操作较少，因此这些患者不易患尿崩症，但更容易患低钠血症。虽然任何解释这些结果的尝试都必须是试验性的，但高质量的训练数据允许机器学习模型识别这些复杂的相互作用和潜在变量，然后可以用来对新患者做出准确的预测。

研究受限于在一个机构完成。需要在其他机构和其他外科医生治疗的患者进一步检验预测模型的普遍性。当前模型被设计为二元分类器。使用更大的数据集，可以训练多类分类器，其可以允许多种结果的预测和风险分层。随着更长的随访数据，该模型可以进一步定制，以包括长期治疗反应和预测肿瘤复发。研究人群将纵向跟踪，为扩展此次的预测模型做准备，并将使用类似于此处描述的机器学习方法为模型训练提供额外的数据。