机器学习用于预测85岁及以上股骨转子间骨折手术后新发深静脉血栓（DVT）的风险因素。
摘要 老年人容易发生骨折，这是该人群中常见的问题，导致显著的健康影响。随着人口老龄化的趋势，医疗系统和社会经济面临着越来越多的挑战，因为骨折的数量不断增加。骨折不仅降低了老年患者的生活质量，还消耗了大量医疗资源，带来了沉重的经济负担。在术后并发症中，股骨转子间骨折常常导致深静脉血栓（DVT）的发生，这是一种与严重后果相关的疾病。本研究开发了六个预测模型，评估股骨转子间骨折患者术后新发深静脉血栓（PNO-DVT）的风险。使用包括逻辑回归、随机森林、LightGBM、XGBoost、AdaBoost和支持向量机（SVM）在内的机器学习算法，从大量样本中构建了年龄分层模型。这种方法有助于分析超高龄人群的主要风险因素，为个性化预防策略的发展提供了数据驱动的基础。
背景 股骨转子间骨折是老年人中常见的骨折类型。随着预期寿命的增加，越来越多的老年人选择手术干预以改善此类骨折后的预后。股骨转子间骨折的发病率随年龄呈指数增长。一项荟萃分析显示，50-54岁女性的发病率为24.6%，而90-94岁女性的发病率则增加到45.5% [1,2]。DVT，尤其是下肢DVT，是股骨转子间骨折患者常见且严重的并发症。术后DVT可能导致致命的并发症，如肺栓塞，显著增加死亡风险并延长住院时间 [3-5]。研究表明，多因素预防和治疗策略可以惠及50%的PNO-DVT病例 [6-8]。识别高危患者使临床医生能够及时实施干预措施，改善股骨转子间骨折患者的预后。
机器学习方法在预测临床重要事件方面表现出有效性 [9-12]。许多研究已经开发了针对老年人术前DVT的预测模型 [13-15]。然而，目前尚无专门针对超老年群体（≥85岁）的预测模型，尽管这一群体具有独特的生理特征和疾病谱。因此，迫切需要为这一人群创建精确的风险评估工具 [16,17]。
方法 数据收集与处理 这项回顾性研究分析了2016年1月至2019年12月期间在河北医科大学第三医院接受股骨转子间骨折手术的391名85岁及以上患者的资料。排除标准包括术前血栓形成，最终样本量为391名患者。PNO-DVT的发病率为21.2%（n = 83/391）。
PNO-DVT风险因素的识别 采用两步分析法来识别独立风险因素。首先，进行单变量逻辑回归分析，确定p值≤0.05的因素。随后，应用最小绝对收缩和选择算子（LASSO）回归解决潜在的共线性问题，通过引入惩罚项选择与血栓形成相关的因素。
模型开发 通过单变量分析确定的十个显著预测因子用于模型构建。数据集分为训练集（70%）和测试集（30%）。由于正负样本分布不平衡（1:5），对训练集进行了过采样技术以减轻偏差。测试集保持不变以确保模型评估的有效性。测试的机器学习算法包括逻辑回归、SVM、随机森林、XGBoost、LightGBM和AdaBoost。统计分析和可视化使用R（版本4.5.1）进行，采用了“xgboost”、“e1071”、“randomForest”和“caret”等包。
结果
统计分析 在391名患者中，基于单变量分析，糖尿病、既往手术史和身高被确定为DVT的潜在风险因素。此外，手术时间、术中输血和七叶皂苷钠盐的使用等术中因素也与DVT风险相关。实验室指标，包括A/G比值、嗜酸性粒细胞计数、淋巴细胞计数、MPV、PDW、TT-R和ALB水平，也具有显著意义。
PNO-DVT的独立预测因子 多变量逻辑回归确定糖尿病、既往手术史、身高、手术时间、A/G比值、血小板-淋巴细胞比值（PLR）和ALB为独立预测因子。值得注意的是，ALB水平降低和手术史与PNO-DVT有显著关联（p < 0.01）。
模型性能 在六个机器学习模型中，LightGBM的曲线下面积（AUC）最高，达到0.883，表明其预测性能最佳。特征重要性排名显示，PLR、ALB和手术时间是各模型中的主要贡献者。
讨论 本研究强调了机器学习在预测极老年患者PNO-DVT方面的实用性。研究结果突显了身高、手术时间、术中出血、PLR和ALB等因素在分层DVT风险中的重要性。LightGBM作为最佳预测模型，为这一高风险人群的临床决策提供了强大的工具。
缩写 PNO-DVT：术后新发深静脉血栓 DVT：深静脉血栓
声明 本研究已获得河北医科大学第三医院伦理委员会的伦理批准。数据在分析前进行了匿名化处理，因研究设计为回顾性，故豁免了患者知情同意。
