基于机器学习的创伤性脑损伤ICU患者静脉血栓栓塞风险预测模型：一项多中心研究

本研究针对创伤性脑损伤(TBI)ICU患者静脉血栓栓塞(VTE)风险预测难题，通过多中心数据(美国MIMIC-IV数据库及解放军第904医院)构建机器学习模型。研究采用Boruta和LASSO回归筛选特征，比较4种算法性能，最终逻辑回归(LR)模型表现最优(AUC 0.723-0.759)，揭示ICU住院时长和肺部感染为关键预测因子，为临床VTE早期干预提供量化工具。

　　

静脉血栓栓塞(VTE)是创伤性脑损伤(TBI)患者常见的致命并发症，其发生率为5%-20%，却缺乏精准的预测工具。传统评分系统如Caprini风险评估模型在神经重症领域适用性有限，而ICU患者的动态病情变化更增加了预测难度。如何通过人工智能技术实现早期预警，成为改善TBI患者预后的关键突破口。

这项发表在《World Neurosurgery》的研究由Hao Qi领衔的团队开展，整合了美国MIMIC-IV数据库(2008-2021年)1,564例和解放军第904医院(2021-2024年)304例TBI患者数据。研究采用Boruta算法(特征重要性评估)和LASSO回归(最小绝对收缩选择算子)筛选变量，比较支持向量机(SVM)、逻辑回归(LR)等4种机器学习算法性能，通过SHAP(Shapley Additive Explanations)方法解释模型决策依据。

方法学创新

研究团队采用三阶段验证策略：将MIMIC-IV数据按8:2分为训练集与测试集，解放军904医院数据作为独立外部验证集。从58个临床参数中筛选出6个核心变量：ICU住院时长、总住院日、肺部感染、心率(HR)、部分凝血活酶时间(PTT)和下肢骨折。模型构建采用Scikit-learn库，性能评估综合受试者工作特征曲线下面积(AUC)、校准曲线和决策曲线分析(DCA)。

关键发现

在测试集中，逻辑回归(LR)模型表现最优(AUC 0.723)，外部验证集AUC达0.759。SHAP分析显示：ICU住院时长(平均影响值0.38)和肺部感染(0.29)贡献度最高。值得注意的是，当ICU住院超过7天时，VTE风险呈指数级增长；合并肺部感染患者风险增加2.1倍。研究还发现，传统关注的D-二聚体在该模型中预测价值有限。

临床转化价值

团队开发的列线图(nomogram)将复杂算法可视化，临床医生仅需输入6个常规参数即可获得个体化VTE风险评分。模型在决策曲线中显示，当阈值概率为15%-35%时，每100例患者可净获益8-12例干预。这为ICU医师提供了超越经验判断的量化工具，尤其对平衡抗凝治疗出血风险与VTE预防具有指导意义。

讨论与展望

该研究突破性地证明：机器学习模型在TBI相关VTE预测中优于传统评分系统。选择逻辑回归而非更复杂的深度学习算法，既保证临床可解释性，又兼顾计算效率。未来研究需扩大样本量验证下肢骨折与PTT的交互作用，并探索动态预测模型构建。这项成果为神经重症领域的精准医疗实践树立了新范式。