基于机器学习的全国多中心回顾性研究：胸外伤患者静脉血栓栓塞风险预测模型的构建与验证

本研究针对胸外伤患者静脉血栓栓塞(VTE)早期筛查难题，由中国胸外伤研究协会(CCIRS)联合33家医疗机构开展全国多中心回顾性研究。通过机器学习算法开发随机森林(RF)预测模型，测试集AUROC达0.879(95%CI 0.856-0.902)，外部验证特异性0.756、敏感性0.821，可避免90%不必要的VTE检测，为临床资源优化提供智能决策工具。

　　

胸外伤患者在临床上面临着严峻的静脉血栓栓塞(VTE)风险，这种包含深静脉血栓(DVT)和肺栓塞(PE)的并发症，其发生率在创伤患者中高达11.8-65%，而未接受预防性治疗的重症患者甚至可达80%。更棘手的是，传统观点认为PE继发于DVT的理论在胸外伤患者中并不适用，二者可能独立发生，这为临床早期识别高风险患者带来了巨大挑战。现有VTE预测模型多针对普通创伤患者，缺乏针对胸外伤的特异性评估工具，导致临床医生难以精准实施预防措施，既可能造成医疗资源浪费，又可能延误高危患者的干预时机。

为解决这一临床痛点，由中国胸外伤研究协会(CCIRS)牵头，上海交通大学医学院附属第六人民医院等33家医疗机构联合开展了一项全国多中心回顾性研究。研究团队创新性地采用机器学习方法，构建了专门针对胸外伤患者的VTE风险预测模型，相关成果发表在《World Journal of Emergency Surgery》上。

研究采用机器学习全流程技术方案：首先通过BorutaShap算法从25个临床特征中筛选出12个关键预测因子；采用SMOTE技术处理数据不平衡问题；对比了逻辑回归(LR)、随机森林(RF)、支持向量机(SVM)等5种算法性能；基于R Studio 4.2.2和Python 3.9.0平台开发模型；最终通过全国33家医院的3116例训练数据和上海六院408例外部数据验证模型效能。

研究结果显示，随机森林(RF)模型展现出最优预测性能：在测试集中AUROC达到0.879(95%CI 0.856-0.902)，平均准确率(mAP)为0.717，阴性预测值高达0.996。外部验证中模型保持稳定，AUROC为0.83(95%CI 0.794-0.866)，特异性0.756，敏感性0.821。特征重要性分析揭示，下肢骨折、24小时血红蛋白(Hb_24h)、年龄、BMI和肋骨骨折断端数量对预测贡献最大。值得注意的是，模型可帮助临床避免97.6%的不必要检查，显著降低患者转运风险和医疗成本。

讨论部分强调，这是首个专门针对胸外伤患者的VTE机器学习预测模型。相比传统评分系统，该模型具有三大优势：一是纳入肋骨骨折断端数量等胸外伤特异性指标；二是通过SHAP值实现预测结果的可解释性；三是开发了可视化网页工具便于临床使用。虽然存在PE病例纳入不足、长期随访数据缺失等局限，但该研究为胸外伤VTE防治提供了智能决策新范式，对实现精准医疗和资源优化配置具有重要临床价值。未来需通过更大样本和前瞻性研究进一步验证模型的普适性。