在创伤性脑损伤患者中预测术后静脉血栓栓塞:模型开发和验证研究
Jiang Zheng1, Qiling Jiang1, Yusheng Zhan2
1Department of Anesthesiology, Chongqing Emergency Medical Center, Chongqing University Central Hospital, School of Medicine, Chongqing University, Chongqing, China, Chongqing, China.
JMIR medical informatics
|November 17, 2025
概括
机器学习模型在创伤性脑损伤 (TBI) 患者中准确预测静脉血栓栓塞 (VTE). 后勤回归名图 (logistic regression nomogram) 提供了一个临床上有用的工具,用于指导TBI幸存者的VTE预防策略.
科学领域:
- 医疗信息学 医疗信息学
- 神经外科 神经外科
- 血液学 血液学 血液学
背景情况:
- 静脉血栓塞栓症 (VTE) 是住院患者死亡的重要原因.
- 患有创伤性脑损伤 (TBI) 的患者由于凝血问题和不运动,风险增加.
- 目前,对于TBI群体的手术后静脉动脉瘤没有经过验证的预测模型.
研究的目的:
- 在接受手术的TBI患者中开发基于机器学习 (ML) 的VTE预测模型.
- 专注于这些ML模型的临床可翻译性.
- 确定关键的风险因素,并为VTE提供个性化的风险预测.
主要方法:
- 收集了1806名接受手术的TBI患者的数据.
- 应用递归特征消除和合成少数超采样技术,用于特征选择和类失衡.
- 训练并验证了六个ML模型,包括后勤回归 (LR),并使用ROC分析,校准曲线和决策曲线分析评估性能.
主要成果:
- 257名 (14.2%) 参与者经历了VTE事件.
- 所有的ML模型都显示出强大的预测性能 (AUC 0.79-0.83).
- 该LR模型实现了最高的分辨率 (AUC 0.83),并得到了良好的校准,从而产生了用于预测VTE风险的用户友好的名谱.
结论:
- 成功开发和验证了ML模型,用于在TBI患者中进行术后静脉瘤预测.
- 基于LR的诺基图是指导血栓预防的临床可行的工具.
- 建议进行外部验证,以确认在多种不同人群中的通用性.
