结合临床数据和影像学特征的机器学习模型构建及验证，用于早期识别深颈部感染再手术

深颈部感染（DNI）是一种严重疾病，病变迅速沿颈部筋膜间隙扩散，常导致气道受损及败血症。气道保护、抗生素治疗和手术引流为标准治疗，但部分患者因改善不足需再次手术。由于缺乏可靠预测再手术风险的工具，本研究开发了一种结合临床与影像数据的机器学习（ML）模型，以预测DNI患者的再手术需求。回顾性分析了415例经手术治疗的DNI患者。再手术定义为术后48小时后进行的额外切开引流。将临床及CT影像特征纳入基于分层五折交叉验证的Categorical Boosting（CatBoost）机器学习模型中。模型性能通过受试者工作特征-曲线下面积（ROC AUC）、对数损失（Logloss）、混淆矩阵、准确率、精确率、敏感性、特异性和F1评分进行评估。预测建模分别基于全特征集和通过重要性分析筛选出的9个显著特征进行。研究队列平均年龄为53.63岁，再手术率为33.97%。交叉验证中，全特征模型F1评分0.9041，准确率0.9488，ROC AUC 0.9678，精确率0.9190，敏感性0.9000，特异性0.9670。独立测试集表现为F1评分0.8980，准确率0.9398，ROC AUC 0.9891，精确率0.8462，敏感性0.9565，特异性0.9333。9特征模型交叉验证F1评分0.9025，准确率0.9489，ROC AUC 0.9503，精确率0.9281，敏感性0.8889，特异性0.9713。独立测试集上该模型F1评分0.9565，准确率0.9759，ROC AUC 0.9957，精确率0.9565，敏感性0.9565，特异性0.9833。对数损失曲线显示模型收敛稳定，过拟合风险低。本研究表明，通过整合临床与CT影像特征，机器学习模型能准确预测DNI的再手术需求。简化的9特征模型在提升临床接受度和适用性的同时，实现了更优性能。结果强调机器学习在支持DNI患者及时手术规划及个体化再手术风险评估中的潜力。