机器学习如何预测85岁以上患者骨折术后深静脉血栓？LightGBM模型AUC达0.883

摘要：机器学习越来越多地用于预测85岁及以上患者在股骨转子间骨折手术后新发深静脉血栓形成（PNO-DVT）的风险因素。随着老龄人口的增加，骨折病例数量上升，带来了显著的医疗和社会经济挑战。骨折不仅影响老年人的生活质量，还消耗大量医疗资源，造成沉重的经济负担。在术后并发症中，股骨转子间骨折特别容易发生PNO-DVT，这是一种与严重后果如肺栓塞相关的疾病。本研究使用逻辑回归、随机森林、LightGBM、XGBoost、AdaBoost和支持向量机（SVM）建立了六个预测模型。基于大规模数据集构建的年龄分层模型，使我们能够分析这一超老年群体的主要风险因素，从而为个体化的PNO-DVT预防策略提供数据驱动的基础。 背景：股骨转子间骨折是老年人群中常见的一种骨折类型。随着预期寿命的增加，越来越多的老年人选择手术干预以获得更好的结果。股骨转子间骨折的发病率随着年龄的增长呈指数级上升，女性从50-54岁组的24.6%增加到90-94岁组的45.5% [1,2]。PNO-DVT是股骨转子间骨折患者常见的潜在致命并发症，常导致肺栓塞和死亡率增加 [3-5]。研究表明，多因素预防策略可以受益于超过50%的PNO-DVT病例 [6-8]。识别高风险患者使临床医生能够及时实施干预措施，改善患者预后。 机器学习已在临床领域广泛采用以预测关键事件 [9-12]。尽管先前的研究已确定了老年人术前DVT的风险因素，但缺乏专门针对超老年人（≥85岁）的预测模型，这些人群具有独特的生理和病理特征 [13-15]。本研究旨在通过构建针对这一人群的准确预测模型来填补这一空白，促进更好的临床决策和患者康复 [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岁患者的资料。排除了术前有血栓形成的患者，最终队列中PNO-DVT的发生率为21.2%（n = 83/391）。 风险因素识别：采用两步法识别风险因素。首先进行单变量逻辑回归分析，突出显示P值≤0.05的变量。随后应用LASSO（最小绝对收缩和选择算子）回归解决潜在的共线性问题，根据正则化后的系数选择变量。 模型构建：通过单变量分析确定的10个显著特征用于构建预测模型。数据集分为训练集（70%）和测试集（30%）。为了应对类别不平衡（阳性样本与阴性样本的比例约为1:5），对训练集应用了采样技术。使用六种机器学习算法——逻辑回归、随机森林、LightGBM、XGBoost、AdaBoost和支持向量机（SVM）构建预测模型。统计分析和可视化使用R 4.5.1版本完成，相关包用于机器学习和图形表示。 结果：统计结果：单变量分析确定糖尿病、手术史和身高是PNO-DVT风险的重要预测因子。此外，手术时间、术中输血和某些实验室参数（如白蛋白水平）也与PNO-DVT有显著关联。 多变量逻辑回归确认糖尿病、手术史、身高、手术时间、PLR和ALB为独立预测因子，其中ALB和手术史的相关性最强（P < 0.01）。 模型性能：在六个模型中，LightGBM表现出最高的预测准确性，AUC达到0.883。特征重要性分析一致地将PLR、ALB和手术时间列为各模型中的主要预测因子。 讨论：本研究证实了机器学习在预测超老年患者PNO-DVT风险方面的实用性。身高、手术时间和PLR作为新的预测因子，补充了既定的风险因素如糖尿病和低白蛋白水平 [31-36]。LightGBM模型表现出优越的预测性能，突显了其在临床应用中的潜力。未来研究应重点关注外部验证和将这些模型整合到临床工作流程中。 结论：机器学习为老年人PNO-DVT的风险分层和个体化预防提供了有前景的工具。本研究确立了LightGBM作为管理超老龄人群股骨转子间骨折的临床决策中稳健的预测模型。