《Scientific Reports》：A prospective cohort study develops and validates a machine learning model for predicting ecchymosis after total knee arthroplasty
编辑推荐：
本研究针对全膝关节置换术(TKA)后高发且影响患者康复的瘀斑(ecchymosis)预测难题，通过前瞻性队列研究(416例患者)结合多种机器学习算法(LASSO、RF-RFE、BORUTA等)，成功构建并验证了精准预测模型。该模型基于术前白蛋白(prealbumin)、凝血指数(CI)、凝血指数变化(XCI)、纤维蛋白原降解产物(FDP)及术后第1天总失血量(TBL)五个关键指标，在训练集和验证集中分别达到AUC=0.927和0.954的高预测性能，为TKA患者个性化围术期血液管理提供了重要决策工具。
全膝关节置换术(TKA)被誉为20世纪以来治疗终末期膝关节疾病最显著的技术进步之一，能够有效缓解疼痛并恢复关节功能。然而，随着TKA手术量的不断增加，围术期出血及其相关并发症日益引起临床关注。统计数据显示，大型骨科手术如TKA的围术期失血量可达1200毫升，超过53.2%的患者会出现中度或重度贫血。在各类出血相关并发症中，瘀斑(皮下出血直径超过3毫米)尤为常见，发生率高达30-40%，不仅影响美观，更常伴随伤口肿胀和疼痛，加剧局部炎症反应，延缓功能恢复，并可能预示着全身性凝血功能异常。
目前，尽管抗凝药物的常规使用已将TKA患者围术期静脉血栓栓塞症(VTE)的发生率降至0.5%-1%，但术后出血的管理仍面临挑战。术后瘀斑作为轻微出血的典型表现，同时也反映了患者的低凝状态。若未能及时识别和干预，可能增加继发性出血风险，甚至导致全身性凝血病、大出血等严重后果。因此，准确预测TKA术后瘀斑的发生，对于制定个性化抗凝和止血策略、优化围术期血液管理、促进患者快速康复具有重要临床意义。然而，现有研究对瘀斑风险因素的整合尚不完善，缺乏前瞻性证据支持，预测准确性和有效性有待提高。
在此背景下，罗雪峰、鲍伟等研究人员在《Scientific Reports》上发表了一项前瞻性队列研究，致力于开发和验证一种机器学习模型，用于预测TKA术后瘀斑的发生。该研究旨在通过先进的数据分析技术，识别关键风险因素，构建高精度的预测工具，为临床医生提供决策支持，从而实现TKA患者的个性化管理。
为开展此项研究，研究人员采用了几个关键技术方法。研究设计为前瞻性队列研究，纳入了2023年6月至2024年3月期间在重庆医科大学附属第一医院等医疗中心接受初次单侧TKA的416例患者。所有手术均由同一经验丰富的外科团队完成，遵循标准化的围术期管理方案。研究人员收集了包括患者 demographics（人口统计学特征）、手术细节、营养指标、凝血功能参数和血栓弹力图(TEG)参数在内的56个特征变量。特征筛选采用了三种机器学习算法：最小绝对收缩和选择算子(LASSO)、随机森林-递归特征消除(RF-RFE)和Boruta算法，以确定最重要的预测因子。模型构建使用了逻辑回归(LR)，并采用随机森林(RF)、支持向量机(SVM)、XGBoost和LightGBM等多种机器学习算法进行验证和性能比较。模型性能通过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)等进行评估。
研究结果
基线数据特征
研究共纳入416例TKA患者，其中135例(32.5%)术后出现瘀斑。分析显示，瘀斑组患者的美国膝关节协会(AKS)评分显著低于无瘀斑组(P<0.001)，术后第1天总失血量(TBL)显著更高(P<0.001)，凝血指数(CI)显著更低(P<0.001)，这表明瘀斑患者存在低凝状态和更高的术后出血风险。
特征选择
通过单因素逻辑回归初步筛选出15个潜在风险因素。进一步应用LASSO、Boruta和RF-RFE三种机器学习算法进行特征选择，结果一致识别出五个关键风险因素：较低的术后第1天前白蛋白(prealbumin.POD1)、较低的术后第1天凝血指数(CI.POD1)、较低的凝血指数变化(XCI，即CI.POD1与入院时CI.PAD的差值)、较高的术后第1天纤维蛋白原降解产物(FDP.POD1)以及较高的术后第1天总失血量(TBL.POD1)。
预测模型的构建
基于上述五个关键变量，研究人员构建了逻辑回归预测模型，并绘制了列线图(诺莫图)。该模型的计算公式为：瘀斑预测概率 = 1.186066 - 0.017569 × Prealbumin.POD1 + 0.002506 × TBL.POD1 - 0.463744 × CI.POD1 - 1.163408 × XCI + 0.112593 × FDP.POD1。此外，研究还开发了动态列线图并进行了在线注册，便于临床实时使用。
预测模型的评价
模型表现出优异的预测性能。训练集的AUC为0.927 (95% CI, 0.891-0.962)，验证集的AUC高达0.954 (95% CI, 0.910-0.998)。校准曲线和Hosmer-Lemeshow检验(P>0.05)表明模型预测概率与实际观察概率之间具有良好的一致性。决策曲线分析(DCA)显示，该列线图在较大阈值概率范围内能提供更大的临床净获益。
基于多种机器学习算法的模型验证
为验证所选五个关键特征的稳健性，研究团队进一步使用相同的特征集，在验证集上构建了随机森林(RF)、支持向量机(SVM)、XGBoost和LightGBM四种独立的预测模型进行验证。所有模型的AUC值均超过0.9，其中XGBoost模型的AUC最高，达到0.969 (95% CI, 0.939-0.999)。这充分证明了基于五个关键变量构建的预测模型具有强大的泛化能力和可靠性。
讨论与结论
本研究的讨论部分首先强调了骨关节炎的全球疾病负担以及TKA作为其有效治疗手段的重要性。研究人员指出，维持凝血与出血之间的平衡是TKA围术期管理的关键挑战。术后瘀斑不仅是皮下血肿的表现，其出现往往预示着低凝状态和更高的出血风险。本研究首次通过前瞻性队列研究，结合多种机器学习算法，成功构建并验证了TKA术后瘀斑的预测模型。
该模型识别出的五个关键风险因素具有明确的病理生理学基础。术后总失血量(TBL)增加与瘀斑发生直接相关。凝血指数(CI)及其变化值(XCI)来自血栓弹力图(TEG)，能更敏感地反映全身凝血状态，CI值降低提示凝血功能减弱、出血倾向增加。纤维蛋白原降解产物(FDP)水平升高反映了纤溶系统活性增强，可能破坏凝血-纤溶平衡，导致出血风险增加。前白蛋白作为反映营养储备和肝脏合成功能的敏感指标，其水平降低可能影响凝血因子的合成，从而与出血并发症相关。
本研究的主要优势在于其前瞻性设计、严格的标准化操作流程、综合性的特征收集以及采用多种先进的机器学习算法进行特征筛选和模型验证。研究结果证实，所开发的预测模型具有极高的准确性和临床实用性。通过在术后早期（例如术后第1天）评估这些易获取的指标，临床医生能够有效识别出发生瘀斑的高危患者，从而有机会及时调整抗凝方案或加强出血监测，实现真正的个性化围术期血液管理。这不仅有助于减少瘀斑及相关不适，还可能降低更严重出血事件的风险，最终促进患者的功能恢复和满意度。
综上所述，这项发表在《Scientific Reports》上的研究成功开发并验证了一个基于机器学习的高精度预测模型，用于识别TKA术后发生瘀斑的高危患者。该模型依托于五个易于获取的临床指标，为临床医生提供了宝贵的决策工具，有助于推动TKA围术期管理向更加精准化和个性化的方向发展，具有重要的临床转化价值和应用前景。未来的研究可进一步探讨该模型对患者长期功能结局的影响，并验证其在更广泛人群中的适用性。
