开发、内部测试以及外部验证一种可解释的机器学习模型，用于预测髌骨骨折老年患者术后住院期间经影像学确诊的深静脉血栓形成情况

《BMC Medical Informatics and Decision Making》：Development, internal testing, and external validation of an interpretable machine-learning model for predicting imaging-confirmed in-hospital postoperative deep vein thrombosis in older patients with patellar fractures

　　

摘要

背景

患有髌骨骨折的老年患者由于创伤、围手术期固定以及与年龄相关的易血栓形成倾向，可能面临更高的术后深静脉血栓形成（DVT）风险。然而，针对这一特定人群的风险分层工具仍然有限。我们的目标是开发一个可解释的机器学习模型，该模型基于常规可获得的入院早期数据，用于预测老年髌骨骨折患者住院期间经影像学确认的术后DVT。

方法

这项回顾性预测模型研究纳入了741名年龄≥65岁的患者，他们在2017年1月至2022年12月期间接受了髌骨骨折手术。这些患者被随机分为开发集（n=518）和保留的内部测试集（n=223）。来自另一家三级医院的273名符合条件的患者组成的独立外部验证队列用于评估模型的通用性。我们采用了一个三步特征选择流程，结合了方差膨胀因子筛选、LASSO回归和带交叉验证的递归特征消除方法，从常规入院变量中识别出核心预测因子。开发并比较了七种机器学习算法，包括参考的线性基准模型。最终模型经过外部验证，并与已建立的临床VTE风险评估标准——术前Caprini评分进行了对比。模型性能通过接收者操作特征曲线下面积（AUROC）、Brier评分、校准分析、决策曲线分析和自助法乐观性校正进行评估。SHapley加性解释方法用于描述最终模型的行为。

结果

在内部队列中，经影像学确认的住院期间术后DVT的总体发生率为18.5%（137/741）。在外部验证队列中，273名患者中有38人发生了DVT。最终保留了九个预测因子：白蛋白、血小板计数、纤维蛋白原、钠、体重指数、总蛋白、胆碱酯酶、低密度脂蛋白胆固醇和血红蛋白。在候选模型中，XGBoost获得了最高的内部保留AUROC值，为0.927（95% CI，0.873–0.969），这属于内部测试结果而非独立验证结果。自助法乐观性校正后的AUROC值为0.904，Brier评分为0.089。在外部验证队列中，XGBoost模型的AUROC值为0.838（95% CI，0.758–0.904），Brier评分为0.081。与术前Caprini评分相比，XGBoost在内部测试集（0.927 vs. 0.687）和外部验证队列（0.838 vs. 0.685）中均显示出更高的AUROC值，但在两种情况下Brier评分均较低。对血栓位置的描述性分析显示，远端DVT是内部和外部队列中主要的可分类亚型。SHAP分析表明，白蛋白、血小板计数、纤维蛋白原、体重指数和钠是最有影响力的预测因子，但这些关联被视为模型推导出的结果，而非因果效应或临床阈值。

结论

我们开发了一个基于九个常规入院早期变量的可解释XGBoost模型，用于预测老年髌骨骨折患者住院期间经影像学确认的术后DVT。该模型在两种验证设置中的区分度更高，预测误差更低；然而，由于终点是一个通过影像学确定的综合结果，并且详细的手术和围手术期管理变量并未完全纳入，因此无法排除剩余的围手术期管理混杂因素。因此，该模型应被视为探索性工具。临床上，高预测风险应被视为需要加强术后监测和个性化临床评估的信号，包括在适当情况下考虑重复进行双工超声检查、验证抗凝治疗的依从性、优化补水措施以及重新评估可改变的风险因素。不应单独使用该模型来加强或延长抗凝治疗、改变康复方案、调整液体管理或决定其他术后管理措施。在临床应用之前，还需要进行进一步的多中心验证、重新校准以及对具有临床意义的DVT亚型的评估。