作者：任小玉，冯剑敏，杨涵琳，朱焱等，贵州医科大学公共卫生与健康学院环境污染与疾病监控教育部重点实验室，贵州省人民医院
全子宫切除术是妇科常见手术。据统计，全球每年有数百万女性接受这项手术[1]，其中超过70%的病例属于良性妇科病变，如子宫平滑肌瘤、
临床预测模型近年呈现多元化发展[6-7]。其中LASSO回归通过引入L1惩罚项实现特征筛选，在处理小样本和高维数据时具有显著优势[8]。鉴于此，本研究将探讨LASSO-logistic回归模型在经脐单孔腹腔镜及传统腹腔镜全子宫切除手术并发症风险预测方面的效用。
1 资料与方法
1.1 研究对象 本研究选取2021年9月至2024年12月在贵州省人民医院接受经脐单孔腹腔镜及传统腹腔镜全子宫切除术的585例患者作为研究对象，按照7∶3的比例划分为训练集（409例）和验证集（176例）。纳入标准：术后病理确诊为子宫良性疾病或癌前病变的患者（若患者存在多个手术指征，则以第一诊断为准）。排除标准：（1）严重凝血功能障碍。（2）合并其他系统恶性肿瘤、严重心肺功能障碍，或患有影响生存期的内科疾病。（3）诊断时间不明或资料不完整的病例。本研究已获得贵州省人民医院医学伦理委员会批准（伦理批号：2024技071）。
1.2 资料收集
1.2.1 临床资料 收集年龄、
1.2.2 手术并发症 涵盖患者术中和术后30d内出现的并发症。术中并发症具体界定为器官损伤和术中出血超过500mL。对于术后30d内发生的并发症，本研究仅将符合Clavien-Dindo分级Ⅱ级及以上的并发症纳入研究。
1.3 统计学方法 使用SPSS 26.0和R 4.4.1进行统计分析。符合正态分布的计量资料用均数±标准差表示，两组间比较采用成组t检验。计数资料用相对数表示，无序分类资料组间比较使用χ2检验或Fisher's确切概率法，等级资料组间比较采用Mann-Whitney U检验。将训练集中P＜0.1的因素纳入全变量logistic回归、逐步logistic回归及LASSO-logistic回归分析筛选危险因素并构建预测模型。
采用Akaike信息准则（AIC）和贝叶斯信息准则（BIC）评价模型拟合优度，使用受试者工作特征曲线下面积（AUC）、重新分类指数（NRI）和整体鉴别指数（IDI）来评估模型的预测性能，再构建网页版列线图预测模型。并在验证集中使用该模型进行预测，用AUC、校准曲线、决策曲线分析（DCA）来进一步验证模型的区分度、校准度和临床实用性。
2 结果
2.1 训练集与验证集的并发症情况 两组患者的基线资料比较，差异均无统计学意义（P > 0.05）。两组手术并发症发生率分别为19.8%（81/409）和18.8%（33/176），差异无统计学意义（χ²=0.087，P=0.768）。结果分析显示，训练集与验证集具有相似的并发症谱系分布。术中并发症均以术中出血（≥500 mL）为主要类型。术后并发症方面，训练集阴道残端愈合不良以5.1%成为最高发类型，验证集则新观察到3.41%的盆腔感染同为最高。见表1。
2.2 训练集手术并发症预测模型构建
2.2.1 手术并发症的单因素分析 按照P＜0.1的标准，筛选出年龄、术前贫血、术前输血、绝经情况、剖宫产史、高血压、子宫大小、病种及手术方式等因素。
2.2.2 手术并发症的多因素分析 以是否发生手术并发症（0=无，1=有）为因变量，将单因素分析中的9个因素（P<0.1）作为自变量（术前贫血：0=无，1=轻度，2=中重度；术前输血：0=无，1=有；绝经情况：0=否，1=是；剖宫产史：0=无，1=1次，2= ≥2次；高血压：0=无，1=有；子宫大小：0=＜4孕周；1=4～8孕周；2=8～12孕周；3=＞12孕周；病种：0=子宫颈病变，1=子宫平滑肌瘤，2=子宫腺肌病，3=附件良性病变，4=
LASSO筛选（λ1se=0.03155957）保留5个变量，logistic回归确认术前贫血、剖宫产史、高血压及子宫大小为独立预测因子（绝经状态 P>0.05）。逐步logistic回归模型显示，手术并发症的影响因素为术前中重度贫血、剖宫产史和子宫＞12周。全变量logistic 回归模型结果显示，手术并发症的影响因素为术前中重度贫血和剖宫产史。见表2，图1a~b。
2.2.3 3种预测模型的性能评估 LASSO-logistic回归的AIC和BIC的值最小，说明在相似的3个模型中，拟合度最好。AUC最大值为0.792，但Delong检验显示LASSO-logistic回归模型与逐步回归模型AUC在统计学上无差异（Z=-0，643，P=0.530）；本研究将LASSO-logistic回归模型分别与另外两个模型进行比较，通过计算得到的NRI和IDI指标值均大于0，表明该模型增加预测因子后，在重新分类结局事件和整体判别能力上均有所提升。故综合以上LASSO-logistic回归模型相对预测性能较好。见表3。
2.3 预测模型列线图的构建 以是否发生手术并发症为预测结局，选用LASSO-logistic回归模型筛选的4个预测因子，即术前贫血、剖宫产史、高血压史、子宫大小4个变量构建经单孔腹腔镜与传统腹腔镜全子宫切除手术并发症的预测模型，并开发了配套的网页动态计算工具（https：//wangyejisuan.shinyapps.io/DynNomapp/），支持临床实时风险评估。
2.4 预测模型验证与评价 训练集 AUC为0.792（95%CI 0.736~0.849），最佳阈值为0.179时，灵敏度为0.686（95%CI 0.634~0.734），特异度为0.753（95%CI 0.649~ 0.849）。验证集AUC为0.786（95%CI 0.725~0.845），最佳阈值为0.175时，灵敏度为0.703（95%CI 0.648~0.755），特异度为0.738（95%CI 0.642~0.825）。Bootstrap 内部验证（1000次）生成的校准曲线（图2a~b）显示，预测概率与实际概率高度一致。Hosmer-Lemeshow检验拟合良好（训练集χ²=7.856，P=0.249；验证集χ²=6.142，P=0.408）。
DCA曲线在训练集(0.07~0.98)和验证集(0.04~0.97)阈值范围内均高于参考线。这意味着，运用本研究构建的预测模型来识别患者发生手术并发症的情况，将产生良好的收益。见图3a~b。
3 讨论
在妇科手术领域，经脐单孔腹腔镜和传统腹腔镜凭借各自的优势，已成为当前妇科手术的主流选择[9]。聚焦腹腔镜下全子宫切除术，文献报道并发症率约为6%~19%[4]，本研究为19.5%（114/585），略高于该范围上限，此差异可能与各研究间并发症定义及纳入标准差异有关。
本研究发现术前中重度贫血、剖宫产史、子宫体积> 12孕周及高血压是经脐单孔腹腔镜及传统腹腔镜全子宫切除手术并发症的共同独立危险因素，与既往研究一致[10-13]。术前中重度贫血显著增加术后感染及输血风险，机制涉及组织氧供不足和免疫功能抑制。剖宫产史增加风险，主要源于既往手术导致的盆腔粘连及解剖结构改变。需注意，本研究为减少混杂偏倚（部分手术史缺乏详细术式描述），将盆腹腔手术史细分为剖宫产史与其他盆腔手术史，有别于既往文献将其作为广义危险因素[12]。因此，其他盆腹腔手术史在本研究中未显示显著关联，此结果可能源于该分类的局限性或高危手术样本量不足，其潜在风险需进一步验证。子宫体积增大（>12孕周）增加血管损伤与出血风险，因其使盆腔血管解剖复杂化；尽管有研究报道子宫大小与并发症无显著关联[14]，但此差异可能反映手术入路优化及术者经验的保护作用。高血压是重要危险因素：其损害血管内皮功能与动脉硬化，影响微循环，导致组织修复障碍、局部缺氧及感染风险上升；同时，继发的左心室肥厚和心功能不全，在手术麻醉应激下可加重心脏负荷，增加围术期心血管并发症风险。
本研究针对临床广泛应用的经脐单孔及传统腹腔镜术式，联合构建了子宫切除术并发症预测模型。比较3种logistic回归模型发现，发现LASSO-logistic回归模型在区分度、校准度及重分类能力上均表现最优。虽然其AUC较逐步回归模型仅提升0.014（Delong检验差异无统计学意义），但NRI与IDI的显著改善（NRI/IDI>0）表明，新增预测因子有效提升了模型的风险分层价值，这与预测模型需综合考量区分、校准与重分类能力的共识相符[15]。
本研究采用LASSO-logistic回归模型，筛选并确定了术前贫血、剖宫产史、高血压及子宫大小作为手术并发症的独立影响因素。其次，开发的动态网页列线图工具实现了个体化风险实时计算，为临床决策提供了实用化支持。然而，本研究存在一定局限性。单中心设计和样本量有限可能影响结论外推性。此外，回顾性数据未纳入心理状态等潜在混杂因素，可能遗漏部分非生理性风险路径。Clavien-Dindo分类系统对并发症严重程度的宽泛分级可能削弱模型对高风险事件的鉴别能力，未来需结合并发症分级细化工具进一步优化评估体系。
利益冲突 所有作者均声明不存在利益冲突
作者贡献声明 任小玉：研究设计、撰写及数据分析；冯剑敏，杨涵琳：数据收集与文献整理；朱焱，龚芫，田维杰：论文修改与校对；訾聃：研究指导、论文审阅
参考文献略。
来源：任小玉，冯剑敏，杨涵琳，等.经脐单孔腹腔镜与传统腹腔镜全子宫切除手术并发症的影响因素分析及预测模型构建［J］.中国实用妇科与产科杂志，2025,41(7):755-759.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
