编辑推荐：
静脉血栓栓塞（VTE）是下肢关节置换术后常见且严重的并发症。研究人员开展了利用人工智能（AI）和机器学习模型预测下肢关节置换术后 VTE 的研究。结果显示相关模型有潜力，极端梯度提升模型表现突出，但需外部验证。这为骨科术前规划提供帮助。
在医疗领域，下肢关节置换术（包括全髋关节置换术 THA 和全膝关节置换术 TKA）为众多患者带来了生活质量的改善。然而，术后静脉血栓栓塞（VTE，包括深静脉血栓形成 DVT 和肺栓塞 PE）这一 “隐藏杀手” 却严重威胁着患者的健康。随着这类手术数量的不断攀升，准确预测 VTE 风险变得刻不容缓。传统的临床预测模型，如 Autar DVT 量表、Caprini 评分等，虽然在一定程度上发挥了作用，但它们存在着诸多弊端。这些量表评分过程繁琐，耗费大量时间和精力；预测准确性欠佳，难以精准判断患者的 VTE 风险；而且对影响因素的考虑不够全面，无法根据患者的实时情况提供早期预警。因此，寻找一种更高效、精准的预测方法迫在眉睫。
在这样的背景下，来自不同研究机构的研究人员开展了一项关于利用人工智能（AI）和机器学习模型预测下肢关节置换术后 VTE 的研究。该研究成果发表在《Arthroplasty Today》上，为骨科医疗带来了新的希望和方向。
研究人员为了深入探究 AI 和机器学习模型在预测 VTE 方面的能力，采用了一系列关键技术方法。他们依据系统评价和荟萃分析的首选报告项目（Preferred Reporting Items for Systematic Review and Meta-Analyses）指南，系统地检索了 PubMed、Scopus、Web of Science 和 Embase 等数据库，全面收集了截至 2024 年 1 月发表的相关研究。在筛选文献时，他们严格设定了纳入和排除标准，确保研究的科学性和准确性。对于纳入的研究，由两位独立作者提取关键信息，并运用纽卡斯尔 - 渥太华量表（Newcastle-Ottawa Scale，NOS）评估研究质量。
研究结果如下：
- 文章筛选：经过层层筛选，最终有 7 项回顾性队列研究符合要求，这些研究涵盖了 579,454 名患者。
- 研究特征：这些研究的发表年份在 2019 年至 2023 年之间，研究对象的平均年龄在 55.9 - 77.6 岁，体重指数在 22.94 - 32 kg/m2 之间，42% 的患者为男性。研究地域主要集中在美国和中国。研究涉及的手术类型包括原发性和翻修的 THA 和 TKA，随访时间从 1 年到 11 年不等，部分研究关注 VTE，部分聚焦 DVT。
- 质量评估：通过 NOS 评估，这些研究的平均得分是 7.6 ± 1.2，除了一项研究为中等质量外，其余均为高质量研究。
- 模型性能评估：在众多机器学习模型中，极端梯度提升（XGB）模型应用最为广泛。部分研究中，XGB 模型的预测表现出色，曲线下面积（AUC）值在 0.71 - 0.982 之间，但也有研究报告其预测性能不佳。其他模型如随机森林、支持向量机等也有不错的表现。总体而言，这些模型的 AUC 值普遍优于传统评分系统。
- 相关因素分析：研究还发现了一些与 VTE 相关的因素，例如 Chen 等人的研究表明，XGB 模型中重要的特征包括多发伤、受伤至手术的时间、年龄等；Shohat 等人指出，与 PE 相关的关键因素有癌症、高凝状态等，与 DVT 相关的因素有高凝状态、年龄等。
在研究结论和讨论部分，该研究具有重要意义。首先，这是首次针对此主题的系统评价，为后续研究提供了重要参考。AI 和机器学习模型，尤其是 XGB 模型，在预测下肢关节置换术后 VTE 方面展现出巨大潜力，能够帮助外科医生进行更精准的术前风险分层，制定更具针对性的血栓预防方案和优化手术规划，从而降低 VTE 的发生率。然而，目前的研究也存在一些局限性。所有纳入研究均为回顾性研究，可能存在选择偏倚和未测量的混杂因素；研究人群、数据集和评估指标存在异质性，影响模型性能的比较；此外，研究未涉及实际应用中的挑战，如用户界面的友好性、与临床工作流程的整合以及数据隐私等问题。未来需要开展前瞻性研究，并进行更严格的外部验证，以推动 AI 在 VTE 预测中的临床应用。
综上所述，这项研究虽然存在一定的局限性，但为 AI 和机器学习在骨科领域的应用开辟了新道路，有望为下肢关节置换术患者带来更安全、有效的医疗服务，引领骨科精准医疗的发展潮流。
