基于人工智能可解释模型的静脉内热消融术后深静脉血栓风险预测研究

本研究针对静脉内热消融术(EVTA)后深静脉血栓(DVT)风险预测难题，开发了XGBoost等四种机器学习模型，通过ACS-NSQIP数据库21,549例患者数据分析，构建出AUC达0.711的预测工具，关键指标包括BMI、血小板计数等，为个性化术后管理提供AI决策支持。

　　

静脉曲张患者接受静脉内热消融术(Endovenous Thermal Ablation, EVTA)已成为治疗浅静脉功能不全的主流选择，但术后深静脉血栓(Deep Vein Thrombosis, DVT)这一潜在并发症始终困扰着临床医生。尽管发生率仅1.59%，其严重后果要求早期识别高风险患者。目前国际指南对术后超声监测存在分歧，且传统统计方法难以捕捉多因素间的复杂交互作用。针对这一临床痛点，来自Massachusetts General Brigham的研究团队在《Journal of Vascular Surgery: Venous and Lymphatic Disorders》发表创新研究，首次将可解释人工智能技术应用于EVTA术后DVT风险预测。

研究团队采用美国外科医师学会国家手术质量改进计划(ACS-NSQIP)数据库2007-2017年间21,549例EVTA手术患者数据，运用四种机器学习算法进行比较研究。关键技术包括：1) 采用Optimal Imputation处理34个特征中17个存在缺失值的变量；2) 通过75/25比例划分训练集(16,161例)与测试集(5,388例)；3) 网格搜索优化分类与回归树(CART)、最优分类树(OCT)、随机森林和极限梯度提升(XGBoost)超参数；4) 应用SHapley Additive exPlanations(SHAP)进行模型可解释性分析。

【模型性能】章节显示，XGBoost在测试集表现最优(AUC=0.711)，显著优于随机森林(0.670)和传统决策树模型。值得注意的是，其敏感性达1.00但特异性仅0.047，提示需警惕假阳性。

【特征重要性】部分通过SHAP分析揭示：BMI(30.45±7.64 kg/m²
)、术前血小板计数(240.08±55.01×10⁹
/L)、年龄(54.04±13.79岁)和白细胞计数(6.63±1.75×10⁹
/L)构成四大关键预测因子。SHAP依赖图显示年龄与DVT风险呈非线性关系，46-60岁患者风险显著增加。

【个性化应用】章节展示典型案例：67岁白人女性(BMI=25 kg/m²
)，SHAP分析显示年龄和BMI共同使其DVT风险降低(log值分别-0.21和-0.91)，体现了模型个体化预测能力。

讨论部分指出，该研究首次证实XGBoost在捕捉DVT非线性风险因素上的优势，其识别的高危特征与既往病理生理研究高度吻合：白细胞通过中性粒细胞胞外诱捕网(NETs)促进血栓形成，血小板异常激活则是静脉血栓的始动环节。但研究存在ACS-NSQIP数据代表性局限、30天观察期较短等不足。

这项研究的意义在于：1) 开发首个EVTA术后DVT的AI预测工具，2) 通过SHAP实现"黑箱"模型的可视化解读，3) 为制定个性化抗凝策略提供依据。未来可通过纳入手术细节等变量进一步优化模型，推动AI在血管外科的临床转化应用。