基于机器学习的高海拔地区骨科术后血栓风险预测模型构建

摘要

目的 基于在高海拔地区行骨科手术患者的临床资料，应用机器学习算法构建高海拔地区骨科手术后血栓发生风险的预测模型。方法 回顾性地收集2019年12月—2024年4月于西宁市第一医疗集团总院骨外科住院治疗患者的术前、术中和术后的临床数据。将患者资料按照7∶3的比例分为训练集和验证集，在训练集中分别应用K-近邻算法(K-nearest neighbor classification, KNN)、多层感知器(multilayer perceptron, MLP)、逻辑回归(logistic regression, LR)和极限梯度提升(extreme gradient boosting, XGBoost)等算法构建预测模型，并在验证集中进行模型预测效能评估。针对最优预测模型采用Shapley Additive Explanations(SHAP)算法进行模型解释，以获得临床见解。结果 本研究共纳入584例骨科手术患者数据，以及其70项临床特征，经筛选，其中的24项临床特征用于机器学习的模型构建。4种机器学习算法中XGBoost模型的ROC的AUC最高，达0.907,同时也获得了最高灵敏度(0.875)和较高特异度(0.945),预测效能高于传统风险分析预测工具RAPT(risk assessment and predictor tool)评分，有利于早期识别高海拔地区骨科手术后的血栓高风险人群。SHAP算法提示在XGBoost模型中，白球比、D-二聚体、红细胞分布宽度CV、单核细胞绝对值、术后中性粒细胞百分比、术后血清钾离子浓度、术中补充胶体溶液量、INR、乳酸脱氢酶为与高海拔地区骨科术后的血栓发生风险存在相关性。结论 本研究基于机器学习算法构建了4种针对高海拔地区骨科术后血栓发生风险的预测模型，其中XGBoost模型表现出较为优异的预测效能，其预测的结果相对可靠。

关键词

机器学习 / 高原地区 / 预测模型 / 静脉血栓栓塞 / 下肢深静脉血栓 / 肺栓塞