机器学习模型预测静脉血栓栓塞风险的循证评价：方法学质量、性能表现与临床应用价值分析

本综述系统评价了机器学习（ML）模型预测住院患者静脉血栓栓塞（VTE）风险的方法学质量、性能及临床适用性。结果表明，现有ML模型（如XGBoost、LR）虽展现出良好预测性能（AUC>0.7），但普遍存在方法学质量不高、缺乏外部验证及泛化能力有限等问题。未来需开展基于临床实践的大规模多中心前瞻性研究，以优化VTE风险评估及决策支持工具。

　　

Highlight

研究设计

文献检索范围广泛，由两名研究人员独立进行全面筛选和评估，然后与更广泛的研究团队共享，具体描述如下。模型性能通过报告的操作者工作特征曲线下面积（AUROC）来确定。当无法获得AUROC时，则报告准确率百分比。研究特征和性能指标在完成评估工具时手动提取。结果以描述性方式呈现。

文献检索过程与结果

共检索到2823篇文章，去除126篇重复文献后，经标题和摘要筛选排除了2538篇。经过进一步的全文审查，最终纳入了17项研究。该筛选过程根据PRISMA指南在图1中进行了概述。

纳入研究的基本特征

本综述共纳入了17项研究，所有这些研究均在过去5年内发表。其中14项研究...

与传统风险评估模型的性能比较

中国的医疗质量管理和监控体系涵盖了VTE的预防和治疗；然而，医院层面与VTE预防相关的数据收集，以及系统性的标准和规程，仍不完善。此外，标准化和同质化有待加强。Caprini、Padua等量表是临床VTE评估的常用工具；然而，单一量表的特异性较低，有时无法...

结论

本综述共纳入17项研究，并从研究对象、预测因子、结局指标和分析四个维度系统评估了预测模型的各个方面。结果表明，文献偏倚风险评估较高，预测模型的适用性水平一般。大多数模型在验证过程中缺乏外部验证和多中心研究，这在一定程度上影响了模型的稳定性和外推性。