基于神经网络的患者特异性凝血动力学参数确定：迈向个性化医疗中的血栓预测

本研究针对传统凝血模型忽略临床血液学变量、精度有限的问题，开发了结合神经网络与遗传算法优化微分方程系统的混合模型，通过个性化调整凝血动力学参数，成功实现静脉血栓栓塞复发的精准预测（AUC=0.9941），为血栓诊断和靶向治疗提供新策略。

　　

通过求解凝血级联反应（coagulation cascade）的方程组，可确定与血栓形成（thrombosis）相关的凝血酶（thrombin）生成量。然而传统数学模型往往因建模复杂性或认知局限而忽略临床与血液学变量，导致普适性模型精度不足。本研究创新性地将患者特异性数据和血液学指标融入凝血动力学参数，生成个体化凝血酶曲线，以预测静脉血栓栓塞（venous thromboembolism）复发风险。

敏感性分析识别出对凝血酶生成最关键的八个动力学参数，尤其涉及因子V（factor V）激活和凝血酶-抗凝血酶III复合物（thrombin–antithrombin III complex）的形成。采用人工神经网络（artificial neural network）与常微分方程组（ordinary differential equations）结合的混合模型，并通过遗传算法（genetic algorithm）优化参数，数据集严格分区以避免泄露。

结果表明：抗凝药物使用、吸烟、肺栓塞（pulmonary embolism）和因子V Leiden突变（factor V Leiden mutation）等风险因素显著影响动力学参数。模型表现卓越（AUC=0.9941，准确度0.9872），其变量影响与文献报道的风险效应一致。通过参数调整实现模型响应个体化，并基于凝血酶产量明确血栓分类临界值。经进一步验证，该模型有望辅助血栓的诊断与预后评估，并揭示调控凝血酶生成的新治疗靶点。