《Frontiers in Immunology》：Explainable machine learning for predicting venous thromboembolism in septic shock patients
编辑推荐：
背景：静脉血栓栓塞症（VTE）常常使脓毒性休克趋于复杂化，然而精确且个体化的风险分层工具依然稀缺。本研究旨在开发并外部验证一个可解释的机器学习（ML）框架，以预测该危重患者群体中的VTE。
方法：开展了一项回顾性队列研究，纳入了2020年1月至2025年12月
背景：静脉血栓栓塞症（VTE）常常使脓毒性休克趋于复杂化，然而精确且个体化的风险分层工具依然稀缺。本研究旨在开发并外部验证一个可解释的机器学习（ML）框架，以预测该危重患者群体中的VTE。
方法：开展了一项回顾性队列研究，纳入了2020年1月至2025年12月期间收治的成年脓毒性休克患者。研究对象被划分为内部开发队列（n=733）和来自独立三级医院的独立外部验证队列（n=257，西安市第三医院）。研究人员利用Boruta算法结合递归特征消除来筛选最佳预测因子。训练并评估了六种ML算法，评估指标包括受试者工作特征曲线下面积（AUC）和F1分数。整合了Shapley加性解释（SHAP）以建立模型透明度。
结果：开发队列内的VTE发生率为17.74%（130/733）。特征筛选流程提取出了六个稳健的预测因子：纤维蛋白降解产物（FDP）、凝血酶原时间（PT）、白细胞（WBC）、活化部分凝血活酶时间（APTT）、D-二聚体（D-D）和C反应蛋白（CRP）。在评估的模型中，随机森林（RF）算法在独立外部验证队列中表现出卓越的判别能力和良好的性能，在独立外部验证队列中取得了0.9718的AUC值和0.7917的F1分数，灵敏度为0.7037。SHAP分析表明，血栓炎症标志物升高合并凝血时间缩短从根本上驱动了VTE风险，通过个体力图提供了个性化的预测见解。
结论：研究人员成功为脓毒性休克患者建立了一个高精度且可解释的基于RF的VTE预测模型。通过利用六种常规临床生物标志物和SHAP衍生的透明度，该工具将复杂的算法预测与临床直觉联系起来，提供了一个透明的风险评估框架，在前瞻性验证后可能有助于血栓预防的风险分层。未来需要实施研究以评估其在真实世界中的临床效用及其对患者预后的影响。
研究背景与意义：静脉血栓栓塞症（VTE，包括深静脉血栓形成[DVT]和肺栓塞[PE]）是全球范围内可避免的院内发病和死亡的主要原因。在重症监护环境中，由于全身炎症反应、内皮损伤、血流动力学受损以及长期卧床，脓毒性休克患者并发VTE的风险极高。目前临床主要依赖序贯器官衰竭评估（SOFA）和Caprini评分等传统评分系统进行评估，但这些工具难以捕捉驱动血栓形成的各种临床变量间的复杂非线性关系。此外，现有诊断手段多为确诊后的被动应对，缺乏在早期主动识别高危患者的个体化预测工具。近年来，机器学习（ML）在预测VTE方面展现出巨大潜力，但多数模型呈“黑盒”状态，缺乏可解释性，阻碍了其在临床实践中的应用。因此，本项发表于《Frontiers in Immunology》的研究由Shaanxi Provincial People’s Hospital的研究人员主导，旨在开发并外部验证一个专门针对脓毒性休克患者VTE预测的可解释ML框架。该研究成功将复杂的算法输出与临床直觉相连接，为个体化风险评估及后续的血栓预防决策提供了透明的框架。
关键技术方法：研究团队采用了两步特征选择策略来筛选最优预测因子。首先应用Boruta算法对所有候选变量进行评估，提取出重要性显著高于其影子特征的变量；随后使用递归特征消除（RFE）迭代剔除最不重要的变量，以最少的特征组合实现最高受试者工作特征曲线下面积（AUC）。在此基础上，研究人员分别在内部开发队列（来源于Shaanxi Provincial People’s Hospital，n=733）和独立外部验证队列（来源于Xi’an No. 3 Hospital，n=257）上评估了包括逻辑回归（LR）、支持向量机（SVM）、多层感知机（MLP）、轻梯度提升机（LightGBM）、极端梯度提升和随机森林（RF）在内的六种ML算法。未对数据使用合成少数类过采样等不平衡处理手段，而是通过评估AUC和F1分数指标衡量模型性能。最终整合Shapley加性解释（SHAP）方法从全局和局部层面量化每个特征对预测结果的贡献，从而建立模型透明度。
研究结果：
基线特征分析：研究共纳入733名脓毒性休克患者，其中130名（17.74%）发生VTE。通过对比分析发现，VTE组患者年龄偏大、女性比例较高，且血流动力学参数存在显著差异。在共病方面，慢性阻塞性肺疾病和慢性肾脏病在VTE组更为普遍。实验室指标方面，VTE组表现为纤维蛋白降解产物（FDP）、D-二聚体（D-D）、降钙素原（PCT）、C反应蛋白（CRP）和白细胞（WBC）等炎症及凝血指标升高，而活化部分凝血活酶时间（APTT）、凝血酶原时间（PT）和白蛋白等指标显著降低。VTE组的SOFA和Caprini评分更高，且更频繁需要连续肾脏替代疗法和机械通气。
特征选择与变量重要性：利用Boruta算法和递归特征消除，研究人员确定了一个包含六个稳健预测因子的精简组合，分别为FDP、PT、WBC、APTT、D-D和CRP。通过Kruskal-Wallis检验发现，FDP、PT、WBC、APTT和CRP在各队列间的分布存在显著差异，提示了人群异质性及进行外部验证的必要性。
ML模型性能比较与验证：通过对六种机器学习模型的对比，研究发现RF算法在独立外部验证队列中表现最为均衡和稳健，实现了最高的外部验证AUC值（0.9718）和最高的F1分数（0.7917），灵敏度为0.7037。相比之下，LightGBM模型在训练集中表现为完美分类但外部验证时性能显著下降，存在严重过拟合。与其他三种既定临床评分系统（Wells评分、Caprini评分、SOFA评分）相比，RF模型的AUC显著优于上述所有传统评分系统。DeLong检验证实了RF模型相对于其他比较模型的优越性。
常规临床评分的互补作用：鉴于默认阈值下RF模型的敏感性有限，研究团队进一步分析了假阴性病例。结果显示，大部分被错误预测为低风险的VTE患者，其全身炎症反应综合征（SIRS）或SOFA评分均处于较高水平。基于此，提出了一种两步法临床工作流程：首次应用RF模型评估，若判定为低风险，则自动计算SIRS和SOFA评分，若超出阈值则触发预警进行进一步VTE评估。该补充策略将有效敏感性提升至0.8913。
基于SHAP分析的模型可解释性：SHAP全局摘要图揭示了特征对VTE风险贡献的方向和程度。FDP、WBC、D-D和CRP水平的升高，以及PT和APTT的缩短，与VTE发生的高概率呈正相关。这与基于逻辑回归得出的特征重要性排名模式高度一致。针对个体的局部力图展示了不同特征值如何驱动个性化的风险预测，将复杂模型输出转化为直观的临床洞察。
讨论部分与结论总结：研究人员成功开发并验证了一个可解释且稳健的、专门针对脓毒性休克患者的VTE预测模型。该模型基于RF算法，利用易于获取的常规临床参数，展现出强大的判别能力。增强的SHAP分析通过量化特征贡献，揭示了免疫血栓形成机制下的生物合理性，将模型由“黑盒”转变为透明工具，有助于临床医师在重症监护环境中评估个体化风险因素。尽管模型在训练集中的极高AUC引发了对过拟合的担忧，但外部验证集的稳定表现、超参数限制以及RF算法本身的特性有效控制了此风险。针对模型敏感性局限性的补充工作流也提升了临床应用安全性。
局限性包括两步特征选择可能引入特征选择偏差、阳性事件发生率较低导致的类别不平衡问题、固定阈值的适用性有待商榷、两所医院同处一省导致的地理外推性不足，以及缺乏对实验室标志物动态变化的监测。研究结论指出，该基于RF的可解释VTE预测模型可作为临床评估的辅助工具，在前瞻性验证通过后，有望为血栓预防的风险分层提供支持，但它应作为临床判断的补充而非替代品。未来的实施研究需进一步评估其在真实临床环境中的效用及对患者预后的影响。
