Introduction: We aimed to develop and internally evaluate a risk prediction model for postoperative acute urinary retention (AUR) that incorporates perioperative nursing-related factors, and to assess its potential clinical utility.

Methods: This study adopted a retrospective design and enrolled patients receiving relevant interventional procedures, with the presence of postoperative AUR as the outcome. Baseline characteristics, surgery-related factors and perioperative nursing-related variables [preoperative Self-rating Anxiety Scale (SAS) score, privacy protection level, and postoperative pain numerical rating scale (NRS) score] were acquired. Variable screening was completed through Least Absolute Shrinkage and Selection Operator (LASSO)-logistic regression. A multivariate Logistic regression model was constructed and compared with random forest and XGBoost models using five-fold stratified cross-validation. Model performance was evaluated through discrimination and calibration analyses, while decision curve analysis (DCA) was used to assess potential clinical utility.

Results: A total of 320 patients were included, of whom 48 (15.0%) developed AUR. The final Logistic regression model included age, history of benign prostatic hyperplasia, preoperative SAS score, privacy protection level, and postoperative pain NRS score. The model achieved an out-of-fold AUC of 0.954 (95% CI: 0.928–0.976), compared with 0.936 for the random forest model and 0.924 for the XGBoost model. Decision curve analysis showed that the Logistic regression model provided the highest net benefit across the evaluated threshold probability range of 0.05 to 0.30.

Conclusion: The prediction model incorporating perioperative nursing-related factors demonstrated good discrimination in internal cross-validation and potential value for postoperative AUR risk stratification. These findings may support postoperative voiding assessment and individualized perioperative nursing management.

Introduction: Notre objectif était d'élaborer et de valider un modèle de prédiction du risque de rétention aiguë d'urine (RAU) postopératoire intégrant des facteurs de soins infirmiers périopératoires modifiables, ainsi que d'identifier les seuils de risque critiques associés aux variables infirmières clés.

Méthodes: Cette étude rétrospective a inclus des patients ayant bénéficié de procédures interventionnelles, la survenue d’une RAU postopératoire constituant le critère de jugement. Les caractéristiques initiales, les facteurs liés à l’intervention et les variables relatives aux soins infirmiers périopératoires [score préopératoire à l’échelle d’autoévaluation de l’anxiété (SAS), niveau de protection de l’intimité et score postopératoire sur l’échelle numérique d’évaluation de la douleur (NRS)] ont été recueillis. La sélection des variables a été réalisée par régression logistique pénalisée selon la méthode LASSO (Least Absolute Shrinkage and Selection Operator). Un modèle de régression logistique multivariée a été construit et comparé à des modèles de forêt aléatoire et XGBoost au moyen d’une validation croisée stratifiée à cinq plis. Les performances des modèles ont été évaluées par des analyses de discrimination et de calibration, tandis qu’une analyse des courbes de décision (DCA) a été utilisée pour apprécier leur utilité clinique potentielle.

Résultats: Au total, 320 patients ont été inclus, dont 48 (15,0 %) ont présenté une RAU. Le modèle final de régression logistique comprenait l’âge, les antécédents d’hyperplasie bénigne de la prostate, le score SAS préopératoire, le niveau de protection de l’intimité et le score NRS postopératoire de la douleur. Le modèle a obtenu une aire sous la courbe ROC (AUC) de 0,954 (IC à 95 % : 0,928–0,976), calculée à partir des prédictions hors pli, contre 0,936 pour le modèle de forêt aléatoire et 0,924 pour le modèle XGBoost. L’analyse des courbes de décision a montré que le modèle de régression logistique offrait le bénéfice net le plus élevé sur l’intervalle de probabilités seuils évalué, compris entre 0,05 et 0,30.

Conclusion: Le modèle de prédiction intégrant des facteurs liés aux soins infirmiers périopératoires a démontré une bonne capacité discriminante lors de la validation croisée interne ainsi qu’un potentiel pour la stratification du risque de RAU postopératoire. Ces résultats pourraient contribuer à orienter l’évaluation de la reprise mictionnelle postopératoire et à favoriser une prise en charge infirmière périopératoire individualisée.