假体乳房再造术(IBR)是美国最常用的乳房再造术，手术量约为自体乳房再造术的两倍。假体周围感染是IBR最常见的并发症，发生率高达35%。感染和随后的手术取出会导致医疗费用显著增加和生活质量下降，给患者和外科医生带来了巨大的困扰。尽管假体设计和手术技术不断改进，但假体周围感染和假体取出率仍然较高。人工智能是一种非常强大的预测工具，涉及机器学习(ML)算法。

 Plastic and Reconstructive Surgery 最新的一篇研究报告，开发、验证并评估了9种不同的ML算法用于预测IBR后假体周围感染和取出情况。此外，比较了传统统计模型和ML在识别感染和取出的预测因素方面的性能。

回顾性分析2018年1月-2019年12月接受IBR手术患者的临床资料。患者数据随机分为训练集(80%)和测试集(20%)。训练数据用于教学ML预测IBR并发症。测试数据用于验证，并在训练完成前对ML模型进行盲化。使用一种过采样方法来克服类别不平衡，该方法先前被证明可以提高使用不平衡数据集训练的ML模型性能。为了确保一致性，监督学习的ML模型被用来预测感染和取出，并使用TRIPOD(个体预后或诊断的多变量预测模型透明报告)方法报告结果。

481例患者(694个再造部位)，平均年龄为50.0±11.5岁，平均体质指数为(26.7±4.8)kg/ m2，中位随访时间为16.1个月(11.9 ~ 3.2个月)。113例(16.3%)发生假体周围感染，其中82例(11.8%)需行假体取出。ML在预测假体周围感染和假体取出方面具有良好的鉴别性能(受试者工作特征曲线下面积分别为0.73和0.78)，分别识别出9个和12个假体周围感染和假体取出的显著预测因子，如体质指数、术后放疗、年龄等。

综上，利用现成的围手术期临床数据训练的ML算法可以准确预测IBR后假体周围感染和假体取出情况。作者的研究结果支持将ML模型纳入IBR患者的围手术期评估，以提供数据驱动的、患者特异性的风险评估，帮助个性化患者咨询、共同决策和术前优化。

原始出处：Hassan AM, Biaggi-Ondina A, Asaad M, Morris N, Liu J, Selber JC, Butler CE. Artificial Intelligence Modeling to Predict Periprosthetic Infection and Explantation following Implant-Based Reconstruction. Plast Reconstr Surg. 2023 Nov 1;152(5):929-938. doi: 10.1097/PRS.0000000000010345. Epub 2023 Mar 3. PMID: 36862958.